Ministrante: Wasim Aluísio Prates Syed, Farmacêutico pela FCFRP-USP, doutorando em biotecnologia pelo ICB/IPT/Butantan, e divulgador científico pela UPVacina (IEARP-USP) e Projeto Halo (ONU).
Descrição do curso:
Desenvolvemos um curso para tornar o aprendizado de uma das linguagens de programação e análise de dados mais populares mais acessível, especialmente para aqueles que não têm formação em áreas de exatas, como TI e ciência da computação. Esta linguagem é amplamente utilizada por cientistas devido à sua variedade de ferramentas para análise de dados em ciências biológicas e da saúde. Com uma abordagem prática e interativa, os participantes explorarão conceitos e ferramentas para realizar análises de dados de forma simples e intuitiva. Além disso, terão acesso a um grupo de discussão para compartilhar dúvidas e ideias, criando um ambiente colaborativo e de aprendizado mútuo.
Programação e conteúdo
Os participantes terão uma aula introdutória à ciência de dados e fundamentos da manipulação de dados no R e visualização de dados com o ggplot, no ambiente do RStudio. Em seguida, os participantes terão um tempo para praticar e desenvolver as análises com 5 países de escolha, e no final deverão criar um poster com os gráficos produzidos.
Introdução ao R: Explicaremos por que o R é importante para cientistas e profissionais da saúde.
Fundamentos da Programação em R: Abordaremos conceitos como funções, pacotes, variáveis e estruturas de dados, como data frames, listas e matrizes.
Manipulação e Visualização de Dados: Exploraremos técnicas para importar, limpar, filtrar e visualizar dados usando pacotes do Tidyverse, como dplyr e ggplot2.
Análise Exploratória de Dados: Realizaremos análises exploratórias de dados, incluindo estatísticas descritivas, gráficos e interpretação de resultados. Aplicaremos os conhecimentos adquiridos em um projeto prático com dados reais de saúde, incluindo análise de vacinação e indicadores de saúde pública.
Para rodar este tutorial, siga os seguintes passos:
Passo 1: Acesse o GitHub
Passo 2: Baixe o projeto
No repositório do GitHub, clique no botão verde “Code”.
Selecione “Download ZIP”. Isso iniciará o download do arquivo ZIP contendo o projeto.
Passo 3: Descompacte o arquivo ZIP
Após o download ser concluído, localize o arquivo ZIP em sua pasta de downloads.
Clique com o botão direito do mouse no arquivo ZIP e selecione “Extrair tudo” ou “Descompactar”.
Escolha a pasta de destino onde deseja descompactar o arquivo e clique em “Extrair”.
Passo 4: Configure o projeto no RStudio
Abra o RStudio em seu computador.
No menu do RStudio, clique em “File” (Arquivo) e selecione “New Project” (Novo Projeto).
Escolha a opção “Existing Directory” (Diretório Existente).
Navegue até a pasta onde você descompactou o projeto.
Selecione a pasta do projeto com um clique.
Clique em “Create Project” (Criar Projeto).
Pronto! Agora você configurou o projeto do GitHub em seu RStudio e está pronto para começar a trabalhar.
- Para encontrar este documento com as linhas de códigos, clique no arquivo RMD “
Introducao_analise_exploratoria.rmd”. Se clicar no.md, não funcionará.- Siga o tutorial todo neste documento ou crie uma copia para fazer as anotações. Não se preocupe, que modificar este arquivo aqui não mudará nada no original do site.
- Ao fazer a parte prática com suas análises, faça no mesmo documento. Se estiver muito complicado, mande mensagem no grupo do Whatsapp ou envie um e-mail. A prática deve ser fácil e descomplicada.
- Lembre-se de criar blocos de códigos abaixo dos blocos de códigos de exemplos do tutorial. Também, descreva os gráficos e códigos no espaço em branco, ou seja, fora do bloco de código. Isso garantirá que seu documento estará organizado e fácil de alterar.
Antes de rodarmos os códigos para as análises, é necessário instalar
os pacotes cujos recursos, especialmente as funções, serão utilizados.
Para isso, use o install.packages("pacote").
Nem sempre é necessário reinstalar os pacotes, pois isso toma tempo. Entretanto, é recomendável reinstalar os pacotes de vez em quando, para atualizar o pacote.
Observe que o código abaixo está com # antes da função.
Ao rodar pela primeira vez, retire estes # e execute
clicando na linha do código e apertando Ctrl + Enter. Isso
executará linha por linha. Caso queira rodar todas as linhas de uma vez,
use Ctrl + Shift + Enter.
options(repos = c(CRAN = "https://cran.r-project.org"))
# Baixar pacotes do CRAN para a biblioteca
# install.packages("tidyverse")
# install.packages("skimr")
# install.packages("janitor")
# install.packages("esquisse")
# install.packages("ggthemes")
# install.packages("plotly")
# install.packages("gghighlight")
# install.packages("patchwork")
# install.packages("ggsci")
# install.packages("gapminder")
# install.packages("ggpmisc")
Após a instalação, a cada vez que você fechar o ambiente do R, você
deverá chamar os pacotes da biblioteca com a função
library().
Lembre-se sempre de chamar os pacotes quando você iniciar uma nova sessão!
Não se preocupe com os “erros” dos outputs ao chamar as libraries, especialmente as do tidyverse.
# Chamando os pacotes da biblioteca
library(tidyverse) #Metapacote
library(skimr) #Diagnóstico de tabela
library(janitor) #Limpeza de tabelas
library(esquisse) #Plotagem de gráficos prática
library(ggthemes) #Temas de ggplot
library(plotly) #Gráficos interativos
library(patchwork) #Unir gráficos
library(gghighlight) #Marcar pontos e linhas
library(ggsci) #Paleta de cores
library(gapminder) #Dataset sobre população, PIB e expectativa de vida dos países
library(ggpmisc)
Podemos criar variáveis de diferentes classes, como numéricas (integer, double), textuais (string/character), e muitas outras. Além disso, essas variáveis podem ser nomeadas com o nome que você quiser, como letras e palavras.
Entretanto, não podem ter espaço entre si
(variavel_a não é variavel a) e, por mais que funcionem com
palavras em portugues acentuadas (“multiplicacão”), é uma
boa prática nomeá-las da forma mais simples possível, como
multiplicacao ou multi.
#Operações básicas -----
#Variáveis numéricas
x = 5
x
## [1] 5
y = 7
y
## [1] 7
z = y + x
z
## [1] 12
multiplicacão = x * y
multiplicacão
## [1] 35
As variáveis textuais são sempre definidas com aspas, mesmo sendo um
número, como string = "5".
Dica de ouro: Nunca esqueça de fechar as aspas.
# Variáveis textuais (characters, string)
a = "Olá" #Uma palavra
a
## [1] "Olá"
b = "Tudo bem?" #Uma frase
b
## [1] "Tudo bem?"
Operações lógicas
Se usarmos operadores lógicos para determinar se o conteúdo de uma
variável é igual (==), diferente (!=), maior
(>) ou menor (<), os resultados
retornarão TRUE ou FALSE.
# Comparações lógicas (booleanas)
a == b #Igual?
## [1] FALSE
a != b #Diferente?
## [1] TRUE
x < y # Menor?
## [1] TRUE
x > y # Maior?
## [1] FALSE
x <= 5 # Menor ou igual?
## [1] TRUE
E, se criarmos outras variáveis com nomes diferentes, mas com os mesmos valores, elas ainda continuarão dando o mesmo resultado.
aa = "Olá"
aa == a
## [1] TRUE
Os vetores são uma sequência unidimensional que
podem ser números, strings, valores lógicos, entre outros. Podemos criar
vetores com a função c(), de “concatenar”.
Dica de ouro: Nunca deixe de fechar os parênteses em uma função, pois isso dará erro.
# Vetores
i = c(7, 5, 9, 10)
i
## [1] 7 5 9 10
j = c("Olá", "Caneta", "Qualificacao")
j
## [1] "Olá" "Caneta" "Qualificacao"
Perceba que, para um vetor ser classificado como numérico, todos os elementos têm de ser números, isto é, não estar dentro de aspas. Do contrário, se um elemento for uma string (contiver aspas), mesmo com um número dentro, do vetor inteiro será convertido em strings.
h = c(7, "10", 78)
h
## [1] "7" "10" "78"
O c() é um exemplo de função. Toda função contem um nome
seguido por parenteses. No caso da função c(), inserimos os
elementos que temos interesse.
No entanto, outras funções que iremos aprender a seguir funcionam de
forma diferente, muitas vezes intuitiva. Para acessar a documentação da
função, use um ? antes da função e aguarde a aba de ajuda
abrir.
# O que esta função faz? Use o "?" antes da função e rode.
?c()
Dataframes e tibbles são tabelas comuns e consistem de linhas e colunas de diferentes classes, como números, caracteres e fatores.
As tibbles são diferentes dos dataframes somente em sua apresentação no console e facilitam muito o trabalho com tabelas grandes e largas.
Além disso, a criação do dataframe e da tibble são diferentes
visualmente. Enquanto no dataframe usamos a função
data.frame() para criar colunas com linhas definidas por um
vetor, na tibble esse código é semelhante à forma que imputamos dados no
excel.
#Dataframes e tibbles -----
#Dataframe
data = data.frame(
nome = c("Gabriela", "Júlia", "Beatriz", "Luiza"),
altura = c(1.59, 1.60, 1.78, 1.73),
idade = c(30, 25, 31, 32)
)
data
## nome altura idade
## 1 Gabriela 1.59 30
## 2 Júlia 1.60 25
## 3 Beatriz 1.78 31
## 4 Luiza 1.73 32
E para criar uma tibble, usamos a função
tribble().
#Tibble
tibble = tribble(
~nome, ~altura, ~idade,
"Gabriela", 1.59, 30,
"Júlia", 1.60, 25,
"Beatriz", 1.65, 31,
"Luiza", 1.73, 32
)
tibble
## # A tibble: 4 × 3
## nome altura idade
## <chr> <dbl> <dbl>
## 1 Gabriela 1.59 30
## 2 Júlia 1.6 25
## 3 Beatriz 1.65 31
## 4 Luiza 1.73 32
É possível transformar quase todo objeto em uma tabela.
Por exemplo, se pegarmos os vetores criados anteriormente e usarmos a
função as.data.frame(), será criada uma coluna com o nome
do vetor, seguida por linhas contendo os elementos do vetor. É padrão no
tidyverse e no R de, ao converter uma estrutura de dados em outra, usar
o “as”, como as.data.frame(),
as.matrix(), as.vector(), etc.
# Vetores em dataframe
as.data.frame(i) #dataframe com coluna numérica
## i
## 1 7
## 2 5
## 3 9
## 4 10
as.data.frame(j) #dataframe com coluna textual
## j
## 1 Olá
## 2 Caneta
## 3 Qualificacao
as.data.frame(h) #dataframe com coluna textual, mesmo com valores numéricos
## h
## 1 7
## 2 10
## 3 78
Há diferentes formas de se visualizar uma tabela.
A diferença de cada objeto está na visualização no console e no documento. Teste estas linhas de código no documento Markdown e no console.
#Visualizando o dataframe -----
# Com print()
print(data) #No documento ou console
## nome altura idade
## 1 Gabriela 1.59 30
## 2 Júlia 1.60 25
## 3 Beatriz 1.78 31
## 4 Luiza 1.73 32
print(tibble)
## # A tibble: 4 × 3
## nome altura idade
## <chr> <dbl> <dbl>
## 1 Gabriela 1.59 30
## 2 Júlia 1.6 25
## 3 Beatriz 1.65 31
## 4 Luiza 1.73 32
# Com nome do objeto
data
## nome altura idade
## 1 Gabriela 1.59 30
## 2 Júlia 1.60 25
## 3 Beatriz 1.78 31
## 4 Luiza 1.73 32
tibble
## # A tibble: 4 × 3
## nome altura idade
## <chr> <dbl> <dbl>
## 1 Gabriela 1.59 30
## 2 Júlia 1.6 25
## 3 Beatriz 1.65 31
## 4 Luiza 1.73 32
# Com glimpse(). #Descrição mais completa da tabela
glimpse(data)
## Rows: 4
## Columns: 3
## $ nome <chr> "Gabriela", "Júlia", "Beatriz", "Luiza"
## $ altura <dbl> 1.59, 1.60, 1.78, 1.73
## $ idade <dbl> 30, 25, 31, 32
glimpse(tibble)
## Rows: 4
## Columns: 3
## $ nome <chr> "Gabriela", "Júlia", "Beatriz", "Luiza"
## $ altura <dbl> 1.59, 1.60, 1.65, 1.73
## $ idade <dbl> 30, 25, 31, 32
# Com view() ou View(). A tabela completa com mais funcionalidades (filtragem manual, pesquisa e ordenamento) abrirá em uma nova janela
view(data)
view(tibble)
# Selecione o nome do objeto, segure Ctrl e clique com o botão direito do mouse.
data
## nome altura idade
## 1 Gabriela 1.59 30
## 2 Júlia 1.60 25
## 3 Beatriz 1.78 31
## 4 Luiza 1.73 32
tibble
## # A tibble: 4 × 3
## nome altura idade
## <chr> <dbl> <dbl>
## 1 Gabriela 1.59 30
## 2 Júlia 1.6 25
## 3 Beatriz 1.65 31
## 4 Luiza 1.73 32
O R possui uma função muito prática de análise estatística
descritiva, a summary().
No entanto, existem outros pacotes que realizam essas análises e até geram relatórios em HTML.
Um deles é o skimr, cuja função skim() gera três
outputs, um semelhante ao summary, e outras duas tabelas com a
quantidade de valores não disponíveis (NA), estatísticas descritivas, e
um histograma.
# Estatísticas gerais
summary(tibble)
## nome altura idade
## Length:4 Min. :1.590 Min. :25.00
## Class :character 1st Qu.:1.597 1st Qu.:28.75
## Mode :character Median :1.625 Median :30.50
## Mean :1.643 Mean :29.50
## 3rd Qu.:1.670 3rd Qu.:31.25
## Max. :1.730 Max. :32.00
summary(data)
## nome altura idade
## Length:4 Min. :1.590 Min. :25.00
## Class :character 1st Qu.:1.597 1st Qu.:28.75
## Mode :character Median :1.665 Median :30.50
## Mean :1.675 Mean :29.50
## 3rd Qu.:1.742 3rd Qu.:31.25
## Max. :1.780 Max. :32.00
# Usando skim
skim(tibble)
| Name | tibble |
| Number of rows | 4 |
| Number of columns | 3 |
| _______________________ | |
| Column type frequency: | |
| character | 1 |
| numeric | 2 |
| ________________________ | |
| Group variables | None |
Variable type: character
| skim_variable | n_missing | complete_rate | min | max | empty | n_unique | whitespace |
|---|---|---|---|---|---|---|---|
| nome | 0 | 1 | 5 | 8 | 0 | 4 | 0 |
Variable type: numeric
| skim_variable | n_missing | complete_rate | mean | sd | p0 | p25 | p50 | p75 | p100 | hist |
|---|---|---|---|---|---|---|---|---|---|---|
| altura | 0 | 1 | 1.64 | 0.06 | 1.59 | 1.60 | 1.62 | 1.67 | 1.73 | ▇▁▃▁▃ |
| idade | 0 | 1 | 29.50 | 3.11 | 25.00 | 28.75 | 30.50 | 31.25 | 32.00 | ▃▁▁▃▇ |
skim(data)
| Name | data |
| Number of rows | 4 |
| Number of columns | 3 |
| _______________________ | |
| Column type frequency: | |
| character | 1 |
| numeric | 2 |
| ________________________ | |
| Group variables | None |
Variable type: character
| skim_variable | n_missing | complete_rate | min | max | empty | n_unique | whitespace |
|---|---|---|---|---|---|---|---|
| nome | 0 | 1 | 5 | 8 | 0 | 4 | 0 |
Variable type: numeric
| skim_variable | n_missing | complete_rate | mean | sd | p0 | p25 | p50 | p75 | p100 | hist |
|---|---|---|---|---|---|---|---|---|---|---|
| altura | 0 | 1 | 1.68 | 0.09 | 1.59 | 1.60 | 1.67 | 1.74 | 1.78 | ▇▁▁▃▃ |
| idade | 0 | 1 | 29.50 | 3.11 | 25.00 | 28.75 | 30.50 | 31.25 | 32.00 | ▃▁▁▃▇ |
As tabelas tidy possuem dois formatos, um largo (wide) e outro longo (long). Converter uma em outra é conhecido como pivotagem, e conhecer essas funções é importantíssimo para obter, manipular e explorar dados.
Para pivotar, utilizamos pivot_longer() e
pivot_wider(). A pivotagem deve ser pensada com base na
relação entre variáveis e seus valores.
Por exemplo, se tivermos uma tabela larga com 10 colunas com anos (de 1990 a 2000), podemos reduzi-las em uma só coluna chamada “anos”, que facilitará a manipulação de dados. Isso alongará a tabela.
No exemplo abaixo, simplificamos todas as variáveis
(idade e altura) em uma coluna
(variavel), e jogamos os valores para uma única coluna
(valor).
# Trabalhando com dataframes -----
#Transformando outros formatos em dataframe
# Long table
data_long = pivot_longer(data, #Tabela
cols = c(altura, idade), #Colunas para alongar
values_to = "valor", # Estocar valores em uma nova coluna
names_to = "variavel" # Estocar variáveis em uma nova coluna
)
data
## nome altura idade
## 1 Gabriela 1.59 30
## 2 Júlia 1.60 25
## 3 Beatriz 1.78 31
## 4 Luiza 1.73 32
data_long
## # A tibble: 8 × 3
## nome variavel valor
## <chr> <chr> <dbl>
## 1 Gabriela altura 1.59
## 2 Gabriela idade 30
## 3 Júlia altura 1.6
## 4 Júlia idade 25
## 5 Beatriz altura 1.78
## 6 Beatriz idade 31
## 7 Luiza altura 1.73
## 8 Luiza idade 32
Mas, se quisermos deixá-la mais fácil de ser interpretada por humanos, podemos pivotá-la em uma tabela larga, igual à tabela original.
# Wide table
data_wide = pivot_wider(data_long, #Tabela
names_from = variavel, #Dividir níveis de uma coluna em novas colunas
values_from = valor) #Estocar valores relacionados à coluna nome e novas variáveis)
data_wide
## # A tibble: 4 × 3
## nome altura idade
## <chr> <dbl> <dbl>
## 1 Gabriela 1.59 30
## 2 Júlia 1.6 25
## 3 Beatriz 1.78 31
## 4 Luiza 1.73 32
É importante saber manipular matrizes para computar análises estatísticas, como a Principal Components Analysis.
As matrizes são estruturas tabelares cujos valores são somente numéricos. Ou seja, não podemos ter uma coluna com strings, por exemplo.
Para isso, é necessário converter a coluna de “nomes” (strings) em
nomes de linhas (rownames) usando a função
column_to_rownames(), e então converter a tabela em matriz,
com o as.matrix().
A diferença aqui é a apresentação da tabela. Enquanto dataframes e tibbles são facilmente lidas, as matrizes são mais complicadas nesse sentido.
#Matriz
matrix = as.matrix(data) #Transformar tabela em matriz
matrix #Os valores numéricos são strings
## nome altura idade
## [1,] "Gabriela" "1.59" "30"
## [2,] "Júlia" "1.60" "25"
## [3,] "Beatriz" "1.78" "31"
## [4,] "Luiza" "1.73" "32"
data_matrix = column_to_rownames(data, "nome") #Converte coluna em rownames
matrix = as.matrix(data_matrix)
matrix #Agora, os valores são numéricos
## altura idade
## Gabriela 1.59 30
## Júlia 1.60 25
## Beatriz 1.78 31
## Luiza 1.73 32
Caso você queira manipular a matriz com as funções do tidyverse, é recomendável reconvertê-la em dataframe/tibble, manipular os dados, e depois converter novamente para matriz.
# Reconverter para dataframe
matrix_dr = as.data.frame(matrix)
matrix_dr # Coluna "nome" continua como rownames e dificulta a manipulação.
## altura idade
## Gabriela 1.59 30
## Júlia 1.60 25
## Beatriz 1.78 31
## Luiza 1.73 32
matrix_dr = rownames_to_column(matrix_dr, "nome") #Converter rownames em nova coluna
matrix_dr
## nome altura idade
## 1 Gabriela 1.59 30
## 2 Júlia 1.60 25
## 3 Beatriz 1.78 31
## 4 Luiza 1.73 32
Listas são estruturas que podem conter um conjunto de elementos de diferentes classes, como vetores, outras listas, dataframes, e matrizes.
Elas são interessantes para organizar os objetos necessários para uma análise, e são muito comuns em análises de RNAseq, por exemplo.
#Criando a lista
lista = list(a, b, h, j, multiplicacão, data, matrix, tibble)
#View(lista) #Visualizando a lista
#Acessando objetos diferentes da lista
lista[[1]] #Primeiro objeto
## [1] "Olá"
lista[[8]] #Oitavo objeto
## # A tibble: 4 × 3
## nome altura idade
## <chr> <dbl> <dbl>
## 1 Gabriela 1.59 30
## 2 Júlia 1.6 25
## 3 Beatriz 1.65 31
## 4 Luiza 1.73 32
#Isolando o objeto
df_list = lista[[8]]
df_list
## # A tibble: 4 × 3
## nome altura idade
## <chr> <dbl> <dbl>
## 1 Gabriela 1.59 30
## 2 Júlia 1.6 25
## 3 Beatriz 1.65 31
## 4 Luiza 1.73 32
O R possui funções e formas nativas de acessar e manipular tabelas. Essas operações, como as descritas abaixo, não são mais a melhor forma de trabalhar, pois são pouco intuitivas, e vamos usar outras muito melhores a seguir. Mas, é importante conhecê-las, pois, são utilizadas em alguns casos.
Para acessar uma coluna no dataframe, digite o nome do dataframe
seguido por $ e o nome da coluna
(data$coluna). Se você não lembra o nome da coluna, você
pode digitar data$ e apertar Tab.
# Acessando colunas do data frame
data$nome
## [1] "Gabriela" "Júlia" "Beatriz" "Luiza"
data$idade
## [1] 30 25 31 32
Para adicionar uma nova coluna e preencher seus valores, crie um vetor com os valores e insira nessa coluna.
# Criando nova variável para não sobrescrever a tabela original para os próximos exemplos
data_2 = data
# Adicionando uma nova coluna ao data frame
data_2$peso = c(70,
65,
80,
20)
data_2
## nome altura idade peso
## 1 Gabriela 1.59 30 70
## 2 Júlia 1.60 25 65
## 3 Beatriz 1.78 31 80
## 4 Luiza 1.73 32 20
Para remover uma coluna, abra os colchetes
[linha, coluna] após o nome do dataframe, selecione o
índice da coluna e adicione um -. Os colchetes definem as
linhas (antes da vírgula) e as colunas (depois da vírgula). Um pouco
muito confuso, né?
# Removendo uma coluna do data frame
data_2 = data_2[ , -4]
Para filtrar e reordenar os dados, é ainda pior.
# Filtrando linhas do data frame. df[linha, coluna]
data_jovens = data_2[data_2$idade < 30, ]
data_jovens
## nome altura idade
## 2 Júlia 1.6 25
# Ordenando o data frame por uma coluna
data_ordenados <- data_2[order(data_2$idade), ]
data_ordenados
## nome altura idade
## 2 Júlia 1.60 25
## 1 Gabriela 1.59 30
## 3 Beatriz 1.78 31
## 4 Luiza 1.73 32
O tidyverse é um metapacote, um pacote com diversos pacotes dentro, que facilita muito o trabalho no R. As funções conversam entre si, são padronizadas e, mais importante, são muito intuitivas.
add_row() e add_column(): Adicionando
linhas e colunasPara adicionar uma linha com valores, usamos o
add_row(), e para adicionar uma nova coluna com valores,
usamos o add_column(). Bem intuitivo, né?
Para não alterarmos as tabelas originais, criamos uma nova variável
chamada data_2 e tibble_2. Entretanto, não é
necessário sempre criar uma variável para cada operação que
fizermos.
#Adicionar linha
data_2 = add_row(data,
nome = "Rafaela",
idade = 50,
altura = 1.85)
data_2
## nome altura idade
## 1 Gabriela 1.59 30
## 2 Júlia 1.60 25
## 3 Beatriz 1.78 31
## 4 Luiza 1.73 32
## 5 Rafaela 1.85 50
tibble_2 = add_row(tibble,
nome = "Rafaela",
idade = 50,
altura = 1.85)
tibble_2
## # A tibble: 5 × 3
## nome altura idade
## <chr> <dbl> <dbl>
## 1 Gabriela 1.59 30
## 2 Júlia 1.6 25
## 3 Beatriz 1.65 31
## 4 Luiza 1.73 32
## 5 Rafaela 1.85 50
#Adicionar coluna
data_2 = add_column(data_2,
peso = c(50,
80,
40,
100,
70))
data_2
## nome altura idade peso
## 1 Gabriela 1.59 30 50
## 2 Júlia 1.60 25 80
## 3 Beatriz 1.78 31 40
## 4 Luiza 1.73 32 100
## 5 Rafaela 1.85 50 70
tibble_2 = add_column(tibble_2,
peso = c(50,
80,
40,
100,
70))
tibble_2
## # A tibble: 5 × 4
## nome altura idade peso
## <chr> <dbl> <dbl> <dbl>
## 1 Gabriela 1.59 30 50
## 2 Júlia 1.6 25 80
## 3 Beatriz 1.65 31 40
## 4 Luiza 1.73 32 100
## 5 Rafaela 1.85 50 70
filter(): Filtrando linhas e usando o pipeSempre que estivermos manipulando linhas, utilizamos o verbo
“filtrar”. No tidyverse, mais especificamente no pacote dplyr,
usamos a função filter() e estabelecemos argumentos lógicos
para a filtragem.
# Filtrando linhas ----
idade = filter(data, idade <= 30)
idade_nome = filter(idade,
nome == "Júlia")
idade_nome
## nome altura idade
## 1 Júlia 1.6 25
Mas, e se eu quiser filtrar usando mais operações?
Temos duas formas de fazer isso.
A primeira é usando “OU” (|) e %in% c().
Veja que os resultados são iguais, mas a forma de escrever é diferente.
No primeiro caso, temos de repetir “nome ==” a cada valor
que quisermos incluir. No segundo caso, somente criamos um vetor com os
valores separados por vírgula.
#Usando OU (|)
filter(data, nome == "Júlia" |
nome == "Gabriela")
## nome altura idade
## 1 Gabriela 1.59 30
## 2 Júlia 1.60 25
#Usando %in% c()
filter(data, nome %in% c("Júlia", "Gabriela"))
## nome altura idade
## 1 Gabriela 1.59 30
## 2 Júlia 1.60 25
E a segunda é usando o pipe
(%>%), que permite “costurar” operações
e resultados. Dessa forma, não precisamos criar uma variável/objeto
sempre que uma função for aplicada. Usaremos muito o pipe nos próximos
códigos.
Abaixo, pegamos uma tabela, filtramos por idade e, então, filtramos somente linhas que contêm um valor. No caso, pegamos as linhas com idade maior ou igual a 30 e, depois, aquelas que contêm o nome “Gabriela”.
# Usando o pipe "%>%" (lê-se "e então")
data %>% # Tenho este objeto
filter(idade >= 30) %>% # E então vou filtrar os indivíduos com mais de 30 anos
filter(nome == "Gabriela") # E então vou filtrar os indivíduos chamados "Gabriela"
## nome altura idade
## 1 Gabriela 1.59 30
select(): Selecionando colunasDa mesma forma que trabalhamos com linhas usando
filter(), ao trabalhar com colunas, usamos o
select().
A função select é muito versátil, e além de selecionar colunas que você quer trabalhar, podemos reordená-las e renomeá-las manualmente.
Para isolar a(s) coluna(s), use
select(coluna), que você produzirá uma tabela com somente
aquela coluna.
Para retirar uma coluna, use o - ou o
!.
Para reordenar, use
select(coluna, everything()). Aqui, você coloca a coluna de
interesse em primeiro lugar e todas as outras restantes em
sequência.
# Selecionando colunas ----
# Selecionar colunas específicas
data_2 %>%
select(nome, altura)
## nome altura
## 1 Gabriela 1.59
## 2 Júlia 1.60
## 3 Beatriz 1.78
## 4 Luiza 1.73
## 5 Rafaela 1.85
# Selecionar da coluna nome (1) à coluna peso (4)
data_2 %>%
select(nome:idade)
## nome altura idade
## 1 Gabriela 1.59 30
## 2 Júlia 1.60 25
## 3 Beatriz 1.78 31
## 4 Luiza 1.73 32
## 5 Rafaela 1.85 50
#Retirando coluna
data_2 %>%
select(-idade)
## nome altura peso
## 1 Gabriela 1.59 50
## 2 Júlia 1.60 80
## 3 Beatriz 1.78 40
## 4 Luiza 1.73 100
## 5 Rafaela 1.85 70
data_2 %>%
select(!idade)
## nome altura peso
## 1 Gabriela 1.59 50
## 2 Júlia 1.60 80
## 3 Beatriz 1.78 40
## 4 Luiza 1.73 100
## 5 Rafaela 1.85 70
#Reordenando coluna
data_2 %>%
select(idade, everything())
## idade nome altura peso
## 1 30 Gabriela 1.59 50
## 2 25 Júlia 1.60 80
## 3 31 Beatriz 1.78 40
## 4 32 Luiza 1.73 100
## 5 50 Rafaela 1.85 70
Para renomear uma coluna, é possível também usar o
select().Mas, cuidado, pois ao
renomeá-las, se esquecermos do
“everything()”, ficamos somente com a
coluna renomeada.
Por isso, temos a função
rename(), que evita que isso
aconteça.
#Renomeando coluna
data_2 %>%
select(age = idade, everything())
## age nome altura peso
## 1 30 Gabriela 1.59 50
## 2 25 Júlia 1.60 80
## 3 31 Beatriz 1.78 40
## 4 32 Luiza 1.73 100
## 5 50 Rafaela 1.85 70
#Renomeando coluna com rename
data_2 %>%
rename(age = idade) #Retirando coluna
## nome altura age peso
## 1 Gabriela 1.59 30 50
## 2 Júlia 1.60 25 80
## 3 Beatriz 1.78 31 40
## 4 Luiza 1.73 32 100
## 5 Rafaela 1.85 50 70
mutate(): Criando e realizando operações com novas
variáveisA função mutate() permite criar ou modificar
colunas e imputar valores usando funções que se aplicarão a
todas as linhas daquela coluna. Por exemplo, podemos criar a coluna imc
com o IMC todos os indivíduos, que é calculado com a razão do peso e a
altura ao quadrado.
# Criando novas variáveis
data_2 = data_2 %>%
mutate(imc = peso / (altura^2)) #Para cada linha da tabela, pegaremos o valor do peso e dividiremos pela altura ao quadrado.
Além disso, podemos criar uma coluna com o sexo daquele indivíduo. Como sabemos que todos são “feminino”, podemos fazer dessa forma.
data_2 %>%
mutate(sexo = "feminino") #Como todas as linhas contêm nomes femininos, criaremos a coluna sexo com o valor "feminino"
## nome altura idade peso imc sexo
## 1 Gabriela 1.59 30 50 19.77770 feminino
## 2 Júlia 1.60 25 80 31.25000 feminino
## 3 Beatriz 1.78 31 40 12.62467 feminino
## 4 Luiza 1.73 32 100 33.41241 feminino
## 5 Rafaela 1.85 50 70 20.45289 feminino
if_else e case_when(): CondiçõesMas, podemos também usar um argumento lógico também.
Por exemplo, podemos criar uma coluna que classificará se a pessoa
está acima ou abaixo de um IMC específico, a partir dos valores da
coluna imc.
Isso é feito com a função if_else(), que é lida da
seguinte forma: se isso for verdadeiro, dê o valor “A”, do contrário,
“B”. No caso aqui, se a pessoa tiver um IMC acima de 25, ela será
considerada com sobrepeso, e se for abaixo, será classificada como
normal.
data_2 %>%
mutate(classificacao = if_else(imc > 25, "sobrepeso", "normal"))
## nome altura idade peso imc classificacao
## 1 Gabriela 1.59 30 50 19.77770 normal
## 2 Júlia 1.60 25 80 31.25000 sobrepeso
## 3 Beatriz 1.78 31 40 12.62467 normal
## 4 Luiza 1.73 32 100 33.41241 sobrepeso
## 5 Rafaela 1.85 50 70 20.45289 normal
Mas, sabemos que o IMC pode ser classificado com outras categorias.
Para isso, temos duas formas de classificar. A primeira é usando o
if_else() imputando os valores manualmente e deixando os
valores que ainda não foram categorizados como NA, e depois, de criar a
primeira categoria, criamos a segunda categoria e deixamos os que já
estavam na coluna.
data_2 %>%
mutate(classificacao = if_else(imc >= 25 & imc <= 30 , "sobrepeso", NA),
classificacao = if_else(imc > 30, "obesidade 1", classificacao),
classificacao = if_else(imc >= 18.5 & imc <25, "normal",classificacao),
classificacao = if_else(imc < 18.5, "magreza",classificacao))
## nome altura idade peso imc classificacao
## 1 Gabriela 1.59 30 50 19.77770 normal
## 2 Júlia 1.60 25 80 31.25000 obesidade 1
## 3 Beatriz 1.78 31 40 12.62467 magreza
## 4 Luiza 1.73 32 100 33.41241 obesidade 1
## 5 Rafaela 1.85 50 70 20.45289 normal
Veja que, depois da segunda linha de if_else, isso fica confuso de
entender. Por isso, usamos o case_when(), que é um if_else
mais versátil e deixa o código mais limpo e fácil de ler.
data_2 = data_2 %>%
mutate(classificacao = case_when(imc >= 25 & imc <= 30 ~ "sobrepeso",
imc > 30 ~ "obesidade 1",
imc >= 18.5 & imc < 25 ~ "normal",
imc < 18.5 ~ "magreza"))
A função summarize() (ou summarise())
aplica a mesma lógica, mas a tabela gerada é muito menor, e se aplica à
variável de interesse na tabela. Por exemplo, se quisermos obter a média
(mean()), e a soma (sum()) das linhas de uma
coluna, a summarize é capaz de fazer isso.
# Resumindo dados
data_2 %>%
summarize(Media_idade = mean(idade))
## Media_idade
## 1 33.6
data_2 %>%
summarize(Soma_idade = sum(idade))
## Soma_idade
## 1 168
group_by: Agrupando dadosEm muitos casos, nós queremos realizar cálculos com categorias ou
grupos diferentes. Por exemplo, considere que queremos saber a média
(mean()) das idades por categoria da classificação pelo
IMC, e além disso, queremos contar os indíviduos em cada categoria
(n()). Para isso, temos de agrupar os dados por categorias
(sobrepeso, normal, etc.) de uma variável
(classificacao). Isso é feito com o group_by()
seguido pelo summarize().
#Média dos grupos
data_2 %>%
group_by(classificacao) %>%
summarize(Media_idade = mean(idade))
## # A tibble: 3 × 2
## classificacao Media_idade
## <chr> <dbl>
## 1 magreza 31
## 2 normal 40
## 3 obesidade 1 28.5
#Contagem
data_2 %>%
group_by(classificacao) %>%
summarize(individuos = n())
## # A tibble: 3 × 2
## classificacao individuos
## <chr> <int>
## 1 magreza 1
## 2 normal 2
## 3 obesidade 1 2
arrange(): Ordenando dadosPodemos ordenar os dados de forma crescente e decrescente usando o
arrange().
# Ordenando dados de forma crescente
data_2 %>%
arrange(idade)
## nome altura idade peso imc classificacao
## 1 Júlia 1.60 25 80 31.25000 obesidade 1
## 2 Gabriela 1.59 30 50 19.77770 normal
## 3 Beatriz 1.78 31 40 12.62467 magreza
## 4 Luiza 1.73 32 100 33.41241 obesidade 1
## 5 Rafaela 1.85 50 70 20.45289 normal
# Ordenando de forma decrescente
#Método 1
data_2 %>%
arrange(desc(idade))
## nome altura idade peso imc classificacao
## 1 Rafaela 1.85 50 70 20.45289 normal
## 2 Luiza 1.73 32 100 33.41241 obesidade 1
## 3 Beatriz 1.78 31 40 12.62467 magreza
## 4 Gabriela 1.59 30 50 19.77770 normal
## 5 Júlia 1.60 25 80 31.25000 obesidade 1
#Método 2
data_2 %>%
arrange(-idade)
## nome altura idade peso imc classificacao
## 1 Rafaela 1.85 50 70 20.45289 normal
## 2 Luiza 1.73 32 100 33.41241 obesidade 1
## 3 Beatriz 1.78 31 40 12.62467 magreza
## 4 Gabriela 1.59 30 50 19.77770 normal
## 5 Júlia 1.60 25 80 31.25000 obesidade 1
Na rotina de análise dados, temos de lidar com diferentes tabelas que, muitas vezes, estão associadas entre si por algum elemento. Por exemplo, podemos ter uma tabela com os dados antropométricos (altura, idade e peso) para cada indivíduo e outra com informações pessoais, como endereço, telefone, etc.
“Uai, mas não posso ter tudo em uma tabela só?”. Pode, mas precisamos considerar que uma tabela com todos esses dados não são necessariamente úteis em todo o processo. Acima, avaliamos o IMC de cada indivíduo e não seria interessante saber o endereço de cada um. Mas, se tivermos uma tabela enorme, com milhões de pessoas, podemos procurar estabelecer uma associação entre peso e endereço, por exemplo. Ou mesmo encontrar relações entre essas variáveis e a incidência de alguma doença infecciosa.
Dessa forma, é importante construir e dividir tabelas para facilitar nossa manipulação de dados e, não menos importante, reduzir o tamanho dos arquivos individuais.
Para ilustrar isso, vamos criar uma tabela chamada
endereco, que contem o nome, cidade e bairro de cada
indivíduo.
endereco = tribble(~nome, ~cidade, ~bairro,
"Gabriela", "São Paulo", "Consolação",
"Júlia", "Ribeirão Preto", "Cidade Universitária",
"Beatriz", "Cuiabá", "Centro",
"Luiza", "São Paulo", "Centro",
"Thaís", "São Paulo", "Butantã")
endereco
## # A tibble: 5 × 3
## nome cidade bairro
## <chr> <chr> <chr>
## 1 Gabriela São Paulo Consolação
## 2 Júlia Ribeirão Preto Cidade Universitária
## 3 Beatriz Cuiabá Centro
## 4 Luiza São Paulo Centro
## 5 Thaís São Paulo Butantã
Uma forma de unir a tabela data_2 com a tabela
endereco é pelas linhas de uma coluna em comum, no caso a
coluna nome. Essa operação é chamada de
merging. Para isso, temos as funções
*_join(). O *_ seguido por join()
significa que existem nomes diferentes de funções que terminam com
“join” e fazem algo parecido.
Uma dessas funções é a inner_join(), que somente une as
linhas correspondentes de duas tabelas. Ou seja, se tem uma linha com o
nome X nas tabelas 1 e 2, as colunas das tabelas 1 e 2 serão unidas. Se
existir uma linha com o nome X na tabela 1, mas não na tabela 2, então
as colunas não serão unidas para aquela linha. Confuso, mas você vai
entender visualizando aqui.
data_2 %>% #Tabela original (tabela 1)
inner_join(endereco, #Tabela para unir (tabela 2)
by = "nome") #Coluna correspondente
## nome altura idade peso imc classificacao cidade
## 1 Gabriela 1.59 30 50 19.77770 normal São Paulo
## 2 Júlia 1.60 25 80 31.25000 obesidade 1 Ribeirão Preto
## 3 Beatriz 1.78 31 40 12.62467 magreza Cuiabá
## 4 Luiza 1.73 32 100 33.41241 obesidade 1 São Paulo
## bairro
## 1 Consolação
## 2 Cidade Universitária
## 3 Centro
## 4 Centro
Veja que a “Rafaela” não foi incluída, porque não havia dados sobre ela na tabela de endereços.
Mas, suponhamos que seria interessante saber quem da tabela 1
não tem endereço cadastrado e, dessa forma, podemos
procurar registrar em outra ocasião. Para isso, temos o
left_join(). Nele, em vez de não mostrar a linha da Rafaela
na nova tabela, a função inclui valores NA nessa linha. A
função tem o nome de “left” porque considera a tabela 1
como a tabela da esquerda. Em outras palavras, queremos
anotar todas as linhas da tabela da esquerda (tabela 1) com os dados da
tabela da direita (tabela 2) a partir dos elementos da coluna em comum
chamada “nome”.
data_2 %>% #Tabela original (tabela 1)
left_join(endereco, #Tabela para unir (tabela 2)
by = "nome") #Coluna correspondente
## nome altura idade peso imc classificacao cidade
## 1 Gabriela 1.59 30 50 19.77770 normal São Paulo
## 2 Júlia 1.60 25 80 31.25000 obesidade 1 Ribeirão Preto
## 3 Beatriz 1.78 31 40 12.62467 magreza Cuiabá
## 4 Luiza 1.73 32 100 33.41241 obesidade 1 São Paulo
## 5 Rafaela 1.85 50 70 20.45289 normal <NA>
## bairro
## 1 Consolação
## 2 Cidade Universitária
## 3 Centro
## 4 Centro
## 5 <NA>
Da mesma forma, podemos obter somente as linhas que estão na tabela
1, mas não na tabela 2. Isso é feito com a função
anti_join(). O output dela é somente a linha da Rafaela com
as colunas da tabela 1.
data_2 %>% #Tabela original (tabela 1)
anti_join(endereco, #Tabela para unir (tabela 2)
by = "nome") #Coluna correspondente
## nome altura idade peso imc classificacao
## 1 Rafaela 1.85 50 70 20.45289 normal
Observe que a tabela endereco também tem uma linha que
não está na tabela 1, a “Thais”, e que ela não foi mostrada nas funções
anteriores. Para incluir, podemos usar o right_join(), que assim como o
left_join(), mostra todas as linhas de uma tabela, incluindo aquelas que
não estão na outra. No caso, ela mostra todas as linhas da tabela 2,
mesmo aquelas que não estão anotadas com os dados da tabela 1. Além
disso, ela não mostra as linhas da tabela 1 que não estão na tabela, no
caso “Rafaela”.
data_2 %>% #Tabela original (tabela 1)
right_join(endereco, #Tabela para unir (tabela 2)
by = "nome") #Coluna correspondente
## nome altura idade peso imc classificacao cidade
## 1 Gabriela 1.59 30 50 19.77770 normal São Paulo
## 2 Júlia 1.60 25 80 31.25000 obesidade 1 Ribeirão Preto
## 3 Beatriz 1.78 31 40 12.62467 magreza Cuiabá
## 4 Luiza 1.73 32 100 33.41241 obesidade 1 São Paulo
## 5 Thaís NA NA NA NA <NA> São Paulo
## bairro
## 1 Consolação
## 2 Cidade Universitária
## 3 Centro
## 4 Centro
## 5 Butantã
Agora, se quisermos ter uma tabela completa, com todas as linhas das
tabelas 1 e 2, mesmo aquelas que não correspondem entre si, usamos a
função full_join().
data_2 %>% #Tabela original (tabela 1)
full_join(endereco, #Tabela para unir (tabela 2)
by = "nome") #Coluna correspondente
## nome altura idade peso imc classificacao cidade
## 1 Gabriela 1.59 30 50 19.77770 normal São Paulo
## 2 Júlia 1.60 25 80 31.25000 obesidade 1 Ribeirão Preto
## 3 Beatriz 1.78 31 40 12.62467 magreza Cuiabá
## 4 Luiza 1.73 32 100 33.41241 obesidade 1 São Paulo
## 5 Rafaela 1.85 50 70 20.45289 normal <NA>
## 6 Thaís NA NA NA NA <NA> São Paulo
## bairro
## 1 Consolação
## 2 Cidade Universitária
## 3 Centro
## 4 Centro
## 5 <NA>
## 6 Butantã
pipe para fazer múltiplas operações de uma
vezUsando o pipe, podemos escrever e ler códigos em uma sequência lógica fácil.
Por exemplo, abaixo:
- pegamos a tabela
data_2, ordenamos a altura na ordem crescente,- filtramos somente as pessoas com idade acima de 30 e peso acima de 50 e retiramos os nomes.
- Depois, arredondamos os valores do IMC para uma casa decimal (usando
round())e criamos uma nova variável chamadapeso_x_idade.- Por fim, resumimos os dados usando a média do peso e a média do imc, e criamos uma variável chamada
mega_pipe
# Múltiplas operações em uma caixa
mega_pipe = data_2 %>%
arrange(altura) %>%
filter(idade >= 30,
peso >= 50) %>%
select(-nome) %>%
mutate(imc = round(imc, 1),
peso_x_idade = peso * idade) %>%
summarise(mean_peso = mean(peso),
mean_peso = round(mean_peso, 1),
mean_imc = mean(imc) %>% round(1))
mega_pipe
## mean_peso mean_imc
## 1 73.3 24.6
A visualização com o ggplot2 é feito em
camadas. Primeiro, temos um dataframe com os dados de
interesse, depois chamamos a função ggplot() e adicionamos
um +, que funciona aqui como um pipe, mas somente para
gráficos. A partir disso, temos de mapear os eixos, cores, tamanho, etc.
com as variáveis de interesse, usando o aes(). Para definir
qual tipo de gráfico iremos criar, temos de definir a geometria
(geom_), que no caso é de pontos
(geom_point()). Isso já produz um gráfico, mas não é um dos
melhores.
Para melhorar, podemos adicionar mais funções, como labels para os
pontos do gráfico (geom_label()), um tema pré-definido
(theme_light()) ou customizável (theme()), e
título para o gráfico, eixos, e legendas (labs()). Além
disso, para reordenar os valores de uma variável categórica, como os
países, por uma variável numérica, usamos o fct_reorder()
dentro do mutate().
data_2 %>%
ggplot() +
aes(x = peso,
y = imc) +
geom_point()
O pacote esquisse é uma ferramenta
interativa para a construção de gráficos, de forma rápida e
intuitiva.
Lembre-se de retirar os # antes de rodar. Teste todos os
parâmetros e veja como os dados se comportam nos diferentes tipos de
gráficos. Observe também, no botão do lado inferior direito, que você
pode gerar os códigos do gráfico também. Dessa forma, você automatiza
seu gráfico sem precisar ficar abrindo esta janela sempre!
Podemos importar tabelas de forma manual, clicando no nome do arquivo
no quadrante onde encontramos a aba “Files” e selecionando “Import
dataset”, que é realizado pelo pacote readr.
Caso queira deixar automatizado, você pode copiar o código que é gerado e colar no seu bloco de código aqui.
A função read_csv() acessa o local do seu arquivo (no
caso, do tipo .csv) e o importa para o ambiente do R. Existem funções
para importar cada tipo de arquivo, como excel, tsv, etc.
#Pelo readr
cobertura_vacinal <- read_csv("cobertura_vacinal_anotada.csv")
## Rows: 63717 Columns: 10
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (8): name, country_abrev, vaccine, region, type, diseases, region_comple...
## dbl (2): year, coverage
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
cobertura_vacinal
## # A tibble: 63,717 × 10
## name country_abrev year vaccine coverage region type diseases
## <chr> <chr> <dbl> <chr> <dbl> <chr> <chr> <chr>
## 1 Afghanistan AFG 2022 BCG 88 ROSA country Tuberculosis
## 2 Afghanistan AFG 2021 BCG 84 ROSA country Tuberculosis
## 3 Afghanistan AFG 2020 BCG 87 ROSA country Tuberculosis
## 4 Afghanistan AFG 2019 BCG 86 ROSA country Tuberculosis
## 5 Afghanistan AFG 2018 BCG 89 ROSA country Tuberculosis
## 6 Afghanistan AFG 2017 BCG 84 ROSA country Tuberculosis
## 7 Afghanistan AFG 2016 BCG 78 ROSA country Tuberculosis
## 8 Afghanistan AFG 2015 BCG 76 ROSA country Tuberculosis
## 9 Afghanistan AFG 2014 BCG 74 ROSA country Tuberculosis
## 10 Afghanistan AFG 2013 BCG 72 ROSA country Tuberculosis
## # ℹ 63,707 more rows
## # ℹ 2 more variables: region_complete <chr>, continent <chr>
#Tabela de mortes por doença
mortes_doencas <- read_rds("Deaths_infectious_diseases_filtered.rds")
mortes_doencas
## # A tibble: 39,152 × 9
## name region_complete year total_deaths perc_deaths death_rate_100thousand
## <chr> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Albania Europe and Cen… 1987 69 0.398 2.24
## 2 Albania Europe and Cen… 1988 58 0.336 1.85
## 3 Albania Europe and Cen… 1989 50 0.275 1.57
## 4 Albania Europe and Cen… 1992 24 0.139 0.752
## 5 Albania Europe and Cen… 1993 27 0.162 0.852
## 6 Albania Europe and Cen… 1994 19 0.127 0.593
## 7 Albania Europe and Cen… 1995 17 0.106 0.523
## 8 Albania Europe and Cen… 1996 6 0.0358 0.183
## 9 Albania Europe and Cen… 1997 13 0.0803 0.391
## 10 Albania Europe and Cen… 1998 5 0.0303 0.149
## # ℹ 39,142 more rows
## # ℹ 3 more variables: death_rate_100thousand_age_standardized <dbl>,
## # death_disease <chr>, continent <chr>
Para trabalharmos de forma fácil com uma tabela, precisamos padronizá-la.
Isso significa que trocaremos e reordenaremos os nomes das colunas para fazerem mais sentido, completaremos os valores NA quando for possível (e fizer sentido), e explicitaremos algumas coisas, como o nome das doenças contra as quais as vacinas protegem, e daremos o nome completo de cada região, pois somente temos os códigos delas.
#Organizar colunas
cobertura_vacinal = cobertura_vacinal %>%
select(type, name, country_abrev, continent, region, region_complete, year, everything())
#Salvar
cobertura_vacinal %>%
saveRDS(file = "cobertura_vacinal_anotada_2.rds")
#Organizar colunas
mortes_doencas = mortes_doencas %>%
select(name, continent,region_complete, everything())
#Salvar
mortes_doencas %>%
saveRDS(file = "mortes_doencas.rds")
mortes_doencas
## # A tibble: 39,152 × 9
## name continent region_complete year total_deaths perc_deaths
## <chr> <chr> <chr> <dbl> <dbl> <dbl>
## 1 Albania Europe Europe and Central Asia 1987 69 0.398
## 2 Albania Europe Europe and Central Asia 1988 58 0.336
## 3 Albania Europe Europe and Central Asia 1989 50 0.275
## 4 Albania Europe Europe and Central Asia 1992 24 0.139
## 5 Albania Europe Europe and Central Asia 1993 27 0.162
## 6 Albania Europe Europe and Central Asia 1994 19 0.127
## 7 Albania Europe Europe and Central Asia 1995 17 0.106
## 8 Albania Europe Europe and Central Asia 1996 6 0.0358
## 9 Albania Europe Europe and Central Asia 1997 13 0.0803
## 10 Albania Europe Europe and Central Asia 1998 5 0.0303
## # ℹ 39,142 more rows
## # ℹ 3 more variables: death_rate_100thousand <dbl>,
## # death_rate_100thousand_age_standardized <dbl>, death_disease <chr>
# Explorando dados -----
# Tabela completa
view(cobertura_vacinal)
# Descrição geral
glimpse(cobertura_vacinal)
## Rows: 63,717
## Columns: 10
## $ type <chr> "country", "country", "country", "country", "country",…
## $ name <chr> "Afghanistan", "Afghanistan", "Afghanistan", "Afghanis…
## $ country_abrev <chr> "AFG", "AFG", "AFG", "AFG", "AFG", "AFG", "AFG", "AFG"…
## $ continent <chr> "Asia", "Asia", "Asia", "Asia", "Asia", "Asia", "Asia"…
## $ region <chr> "ROSA", "ROSA", "ROSA", "ROSA", "ROSA", "ROSA", "ROSA"…
## $ region_complete <chr> "South Asia", "South Asia", "South Asia", "South Asia"…
## $ year <dbl> 2022, 2021, 2020, 2019, 2018, 2017, 2016, 2015, 2014, …
## $ vaccine <chr> "BCG", "BCG", "BCG", "BCG", "BCG", "BCG", "BCG", "BCG"…
## $ coverage <dbl> 88, 84, 87, 86, 89, 84, 78, 76, 74, 72, 78, 71, 68, 64…
## $ diseases <chr> "Tuberculosis", "Tuberculosis", "Tuberculosis", "Tuber…
# Primeiras 10 linhas
head(cobertura_vacinal, 10)
## # A tibble: 10 × 10
## type name country_abrev continent region region_complete year vaccine
## <chr> <chr> <chr> <chr> <chr> <chr> <dbl> <chr>
## 1 country Afghani… AFG Asia ROSA South Asia 2022 BCG
## 2 country Afghani… AFG Asia ROSA South Asia 2021 BCG
## 3 country Afghani… AFG Asia ROSA South Asia 2020 BCG
## 4 country Afghani… AFG Asia ROSA South Asia 2019 BCG
## 5 country Afghani… AFG Asia ROSA South Asia 2018 BCG
## 6 country Afghani… AFG Asia ROSA South Asia 2017 BCG
## 7 country Afghani… AFG Asia ROSA South Asia 2016 BCG
## 8 country Afghani… AFG Asia ROSA South Asia 2015 BCG
## 9 country Afghani… AFG Asia ROSA South Asia 2014 BCG
## 10 country Afghani… AFG Asia ROSA South Asia 2013 BCG
## # ℹ 2 more variables: coverage <dbl>, diseases <chr>
# Últimas 10 linhas
tail(cobertura_vacinal, 10)
## # A tibble: 10 × 10
## type name country_abrev continent region region_complete year vaccine
## <chr> <chr> <chr> <chr> <chr> <chr> <dbl> <chr>
## 1 region WCAR WCAR Africa WCAR West and Central A… 2022 HEPBB
## 2 region WCAR WCAR Africa WCAR West and Central A… 2022 HIB3
## 3 region WCAR WCAR Africa WCAR West and Central A… 2022 IPV1
## 4 region WCAR WCAR Africa WCAR West and Central A… 2022 MCV1
## 5 region WCAR WCAR Africa WCAR West and Central A… 2022 MCV2
## 6 region WCAR WCAR Africa WCAR West and Central A… 2022 PCV3
## 7 region WCAR WCAR Africa WCAR West and Central A… 2022 POL3
## 8 region WCAR WCAR Africa WCAR West and Central A… 2022 RCV1
## 9 region WCAR WCAR Africa WCAR West and Central A… 2022 ROTAC
## 10 region WCAR WCAR Africa WCAR West and Central A… 2022 YFV
## # ℹ 2 more variables: coverage <dbl>, diseases <chr>
#Summary statistics
summary(cobertura_vacinal)
## type name country_abrev continent
## Length:63717 Length:63717 Length:63717 Length:63717
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## region region_complete year vaccine
## Length:63717 Length:63717 Min. :1980 Length:63717
## Class :character Class :character 1st Qu.:1997 Class :character
## Mode :character Mode :character Median :2008 Mode :character
## Mean :2006
## 3rd Qu.:2016
## Max. :2022
## coverage diseases
## Min. : 0.00 Length:63717
## 1st Qu.:75.00 Class :character
## Median :90.00 Mode :character
## Mean :81.46
## 3rd Qu.:97.00
## Max. :99.00
Cada coluna contendo strings repetidas nas linhas podem ser reduzidas aos valores únicos.
Por exemplo, veja que as regiões, por estarem na tabela longa, são
repetidas para cada país. Se quisermos saber todas as regiões incluídas
no dataset de forma mais fácil, sem ficar procurando uma por uma, usamos
o distinct().
#Níveis de colunas
cobertura_vacinal %>%
distinct(region_complete)
## # A tibble: 9 × 1
## region_complete
## <chr>
## 1 South Asia
## 2 Europe and Central Asia
## 3 Middle East and North Africa
## 4 Eastern and Southern Africa
## 5 Latin America and Caribbean
## 6 Non-programme
## 7 West and Central Africa
## 8 East Asia and Pacific
## 9 Global
cobertura_vacinal %>%
distinct(continent)
## # A tibble: 9 × 1
## continent
## <chr>
## 1 Asia
## 2 Europe
## 3 Africa
## 4 Americas
## 5 Oceania
## 6 Global
## 7 Europe and Central Asia
## 8 Middle East and North Africa
## 9 Non-programme
cobertura_vacinal %>%
distinct(name) %>%
head(10)
## # A tibble: 10 × 1
## name
## <chr>
## 1 Afghanistan
## 2 Albania
## 3 Algeria
## 4 Angola
## 5 Argentina
## 6 Armenia
## 7 Austria
## 8 Azerbaijan
## 9 Bangladesh
## 10 Belarus
cobertura_vacinal %>%
distinct(vaccine)
## # A tibble: 14 × 1
## vaccine
## <chr>
## 1 BCG
## 2 DTP1
## 3 DTP3
## 4 HEPB3
## 5 HEPBB
## 6 HIB3
## 7 IPV1
## 8 MCV1
## 9 MCV2
## 10 PCV3
## 11 POL3
## 12 RCV1
## 13 ROTAC
## 14 YFV
E se quisermos contar quantas vezes esses valores são repetidos no
dataset? Podemos usar o count() seguido por
head(), para visualizar os 10 primeiros valores. O
head() é importante quando temos uma tabela muito grande e
não queremos ver todos os valores.
#Contar linhas por coluna
cobertura_vacinal %>%
count(name) %>%
head(10)
## # A tibble: 10 × 2
## name n
## <chr> <int>
## 1 Afghanistan 296
## 2 Albania 354
## 3 Algeria 291
## 4 Andorra 240
## 5 Angola 293
## 6 Antigua and Barbuda 296
## 7 Argentina 371
## 8 Armenia 283
## 9 Australia 314
## 10 Austria 315
cobertura_vacinal %>%
count(vaccine) %>%
head(10)
## # A tibble: 10 × 2
## vaccine n
## <chr> <int>
## 1 BCG 6741
## 2 DTP1 8142
## 3 DTP3 8142
## 4 HEPB3 4710
## 5 HEPBB 2911
## 6 HIB3 3896
## 7 IPV1 1515
## 8 MCV1 8016
## 9 MCV2 3258
## 10 PCV3 1690
cobertura_vacinal %>%
count(continent) %>%
head(10)
## # A tibble: 9 × 2
## continent n
## <chr> <int>
## 1 Africa 15644
## 2 Americas 12406
## 3 Asia 15306
## 4 Europe 12835
## 5 Europe and Central Asia 415
## 6 Global 441
## 7 Middle East and North Africa 441
## 8 Non-programme 415
## 9 Oceania 5814
cobertura_vacinal %>%
count(diseases) %>%
head(10)
## # A tibble: 10 × 2
## diseases n
## <chr> <int>
## 1 DTP3 8142
## 2 Difteria, Tetanus, Pertussis 8142
## 3 Haemophilus influenzae B 3896
## 4 Hepatitis B 7621
## 5 Measles 11274
## 6 Pneumococcus 1690
## 7 Poliomielitis 9658
## 8 Rotavirus 5663
## 9 Tuberculosis 6741
## 10 Yellow fever 890
Os dados foram registrados de que ano a que ano?
cobertura_vacinal %>%
summarize(min_valor = min(year),
max_valor = max(year))
## # A tibble: 1 × 2
## min_valor max_valor
## <dbl> <dbl>
## 1 1980 2022
Quais são as vacinas que protegem contra cada doença? Podemos descobrir isso de duas formas.
filter() e especificando a doença.cobertura_vacinal %>%
filter(diseases == "Poliomielitis") %>%
distinct(vaccine)
## # A tibble: 2 × 1
## vaccine
## <chr>
## 1 IPV1
## 2 POL3
group_by().cobertura_vacinal %>%
group_by(diseases) %>%
distinct(vaccine)
## # A tibble: 14 × 2
## # Groups: diseases [10]
## diseases vaccine
## <chr> <chr>
## 1 Tuberculosis BCG
## 2 Difteria, Tetanus, Pertussis DTP1
## 3 DTP3 DTP3
## 4 Hepatitis B HEPB3
## 5 Hepatitis B HEPBB
## 6 Haemophilus influenzae B HIB3
## 7 Poliomielitis IPV1
## 8 Measles MCV1
## 9 Measles MCV2
## 10 Pneumococcus PCV3
## 11 Poliomielitis POL3
## 12 Rotavirus RCV1
## 13 Rotavirus ROTAC
## 14 Yellow fever YFV
Temos também uma forma de contar a frequência dessas linhas. Veja que há uma diferença nas observações/linhas por região, sendo a região da américa latina a que mais contém observações, e a região do sul-asiático a que tem menos.
Além disso, a região “Non-programme” inclui países que
não estão nos programas de assistência da ONU/OMS, como a Estônia e o
Qatar, entretanto não há uma explicação completa em nenhuma das fontes
que consultei. É importante incluir esses dados, ainda que não
contribuam muito para nossas conclusões.
No caso de “Global”, esses dados se referem à cobertura
vacinal do conjunto de todos os países para cada vacina
(n = 14), e por isso tem n = 441.
#Tabela de frequências
cobertura_vacinal %>%
tabyl(region_complete)
## region_complete n percent
## East Asia and Pacific 9864 0.15480955
## Eastern and Southern Africa 6802 0.10675330
## Europe and Central Asia 6275 0.09848235
## Global 441 0.00692123
## Latin America and Caribbean 11780 0.18488002
## Middle East and North Africa 7100 0.11143023
## Non-programme 11405 0.17899462
## South Asia 2803 0.04399140
## West and Central Africa 7247 0.11373731
Valores NA (Not Available) podem surgir por
diversos motivos, como erros de coleta de dados, falhas em dispositivos
de medição, ou simplesmente porque a informação não está disponível.
Use a função skim() e faça um diagnóstico da tabela.
Existem dados faltantes? Por que existem e onde estão?
# Dados faltantes ----
skim(cobertura_vacinal)
| Name | cobertura_vacinal |
| Number of rows | 63717 |
| Number of columns | 10 |
| _______________________ | |
| Column type frequency: | |
| character | 8 |
| numeric | 2 |
| ________________________ | |
| Group variables | None |
Variable type: character
| skim_variable | n_missing | complete_rate | min | max | empty | n_unique | whitespace |
|---|---|---|---|---|---|---|---|
| type | 0 | 1 | 6 | 7 | 0 | 2 | 0 |
| name | 0 | 1 | 4 | 37 | 0 | 204 | 0 |
| country_abrev | 0 | 1 | 3 | 13 | 0 | 204 | 0 |
| continent | 0 | 1 | 4 | 28 | 0 | 9 | 0 |
| region | 0 | 1 | 4 | 13 | 0 | 9 | 0 |
| region_complete | 0 | 1 | 6 | 28 | 0 | 9 | 0 |
| vaccine | 0 | 1 | 3 | 5 | 0 | 14 | 0 |
| diseases | 0 | 1 | 4 | 28 | 0 | 10 | 0 |
Variable type: numeric
| skim_variable | n_missing | complete_rate | mean | sd | p0 | p25 | p50 | p75 | p100 | hist |
|---|---|---|---|---|---|---|---|---|---|---|
| year | 0 | 1 | 2005.74 | 11.61 | 1980 | 1997 | 2008 | 2016 | 2022 | ▂▃▅▆▇ |
| coverage | 0 | 1 | 81.46 | 22.10 | 0 | 75 | 90 | 97 | 99 | ▁▁▁▂▇ |
# Como são essas linhas?
cobertura_vacinal %>%
filter(!complete.cases(.))
## # A tibble: 0 × 10
## # ℹ 10 variables: type <chr>, name <chr>, country_abrev <chr>, continent <chr>,
## # region <chr>, region_complete <chr>, year <dbl>, vaccine <chr>,
## # coverage <dbl>, diseases <chr>
Observe que somente há dados faltantes na coluna coverage. Isso acontece porque, apesar de uma vacina ter sido incorporada a programas de vacinação nacionais, isso não ocorreu ao mesmo tempo com todos os países. Dessa forma, podemos excluir essas linhas, mas não substituir os NAs por 0, porque isso significaria que a vacina estava disponível e ninguém foi vacinado.
Abaixo, queremos obter o resumo dos dados de cada país na região da
América latina. Como a tabela tem linhas com dados faltantes, algumas
operações podem confundir os resultados. Por isso, usamos a função
drop_na() na coluna onde temos mais NAs.
#Retirando os NAs
cobertura_vacinal = cobertura_vacinal %>%
drop_na(coverage)
#Sobraram linhas com NAs?
cobertura_vacinal %>%
filter(!complete.cases(.))
## # A tibble: 0 × 10
## # ℹ 10 variables: type <chr>, name <chr>, country_abrev <chr>, continent <chr>,
## # region <chr>, region_complete <chr>, year <dbl>, vaccine <chr>,
## # coverage <dbl>, diseases <chr>
Além disso, queremos filtrar somente os dados dos países
latinoamericanos entre os anos 2000 e 2023. Para isso, usamos o
between() dentro da função filter(), e especificamos que
queremos o type == "country", pois também temos dados da
região como um todo.
Como não queremos trabalhar com os nomes completos das regiões,
podemos ser menos específicos. Por exemplo, se sabemos que existe a
região “Latin America and Caribbean Region (LACR)”, podemos
somente usar uma função que pega um pedaço do nome completo e nos
retorna aquela linha. Isso é feito com o str_detect().
Para calcularmos as estatísticas gerais com summarize, precisamos
agrupar os dados com group_by(). Isso porque temos dados da
cobertura vacinal por país em 23 anos e para mais de uma vacina. Dessa
forma, agruparemos por país (name) e vacina
(vaccine). Ao final, vamos desagrupar esses dados.
As tabelas produzidas a seguir serão utilizadas para trabalharmos a visualização dos dados!
Siga o tutorial, mas já comece a testar com outros países, regiões, vacinas, doenças e anos!
Por país
Veja quais são os países da américa latina que mais vacinaram ao longo de 2000 a 2023, por vacina.
latin_2000_2023 = cobertura_vacinal %>%
#Missing values: Aqui, é importante retirá-los para não repetir linhas
drop_na(coverage) %>%
#Filtrando os dados no intervalo e
filter(between(year, 2000, 2022),
str_detect(region_complete, "Latin"),
type == "country") %>%
#Agrupar por vacina e país
group_by(vaccine, name) %>%
#Resumir estatísticas
# Estatísticas da cobertura vacinal para cada país em um continente
# Média, mediana, mínimo e máximo de uma variável numérica
summarise(
mean = mean(coverage),
median = median(coverage),
max = max(coverage),
min = min(coverage),
sd = sd(coverage),
var = var(coverage)
) %>%
#Ordenar continentes pela mediana de forma decrescente
arrange(vaccine, desc(mean)) %>%
#Desagrupar
ungroup()
## `summarise()` has grouped output by 'vaccine'. You can override using the
## `.groups` argument.
latin_2000_2023
## # A tibble: 402 × 8
## vaccine name mean median max min sd var
## <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 BCG Cuba 99 99 99 99 0 0
## 2 BCG Uruguay 98.7 99 99 97 0.559 0.312
## 3 BCG Panama 98.6 99 99 95 0.941 0.885
## 4 BCG Dominica 97.2 98 99 89 2.81 7.88
## 5 BCG Dominican Republic 96.5 98 99 85 3.65 13.4
## 6 BCG Guyana 96.2 97 99 90 2.56 6.54
## 7 BCG Saint Kitts and Nevis 96.2 97 99 89 2.84 8.09
## 8 BCG Chile 96.1 96 99 91 2.28 5.21
## 9 BCG Nicaragua 96 99 99 86 4.35 18.9
## 10 BCG Belize 95.5 98 99 76 5.55 30.8
## # ℹ 392 more rows
Por continente
Veja quais são os continentes que mais vacinaram ao longo de 2000 a 2023, por vacina.
Algumas modificações foram feitas na tabela original. Observe que os
valores para “Other” incluem países que
não foram identificados corretamente, sendo o motivo principal o nome
utilizado e processos históricos, como divisão do país e mudança de
nome. Como esses países podem ser interessantes para as análises
posteriores, eles continuaram na tabela.
# Cobertura vacinal: Estatísticas de cada continente
continentes_vac = cobertura_vacinal %>%
drop_na(coverage,
continent) %>%
filter(between(year, 2000, 2023),
type == "country") %>%
group_by(vaccine, continent) %>%
summarise(
mean = mean(coverage),
median = median(coverage),
max = max(coverage),
min = min(coverage),
sd = sd(coverage),
var = var(coverage)
) %>%
#Ordenar continentes pela mediana de forma decrescente
arrange(vaccine, desc(mean)) %>%
ungroup()
## `summarise()` has grouped output by 'vaccine'. You can override using the
## `.groups` argument.
#Visualizar
continentes_vac
## # A tibble: 68 × 8
## vaccine continent mean median max min sd var
## <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 BCG Americas 93.8 96 99 28 7.15 51.2
## 2 BCG Asia 92.4 97 99 0 10.4 108.
## 3 BCG Oceania 90.6 95 99 24 11.8 139.
## 4 BCG Europe 89.7 97 99 16 18.7 350.
## 5 BCG Africa 85.7 91 99 26 14.5 209.
## 6 DTP1 Europe 96.2 98 99 42 6.09 37.1
## 7 DTP1 Americas 94.4 97 99 60 5.96 35.5
## 8 DTP1 Oceania 93.0 97 99 39 10.1 101.
## 9 DTP1 Asia 92.9 97 99 40 9.05 81.9
## 10 DTP1 Africa 85.6 91 99 35 14.1 198.
## # ℹ 58 more rows
Por continente
# Mortes cumulativas
# Estatísticas de cada continente
continentes_mortes = mortes_doencas %>%
drop_na(total_deaths,
continent) %>%
filter(between(year, 2000, 2023)) %>%
group_by(death_disease, continent) %>%
summarise(
cumulativo = sum(total_deaths),
mean = mean(total_deaths),
median = median(total_deaths),
max = max(total_deaths),
min = min(total_deaths),
sd = sd(total_deaths),
var = var(total_deaths)
) %>%
#Aqui, queremos os países com maior número de mortes
arrange(death_disease, - cumulativo) %>%
ungroup()
## `summarise()` has grouped output by 'death_disease'. You can override using the
## `.groups` argument.
continentes_mortes
## # A tibble: 45 × 9
## death_disease continent cumulativo mean median max min sd var
## <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Diphteria Asia 857 1.97e+0 0 56 0 6.35e+0 4.03e+1
## 2 Diphteria Americas 190 3.14e-1 0 24 0 1.53e+0 2.35e+0
## 3 Diphteria Europe 102 1.38e-1 0 11 0 7.62e-1 5.81e-1
## 4 Diphteria Africa 27 3.25e-1 0 3 0 7.00e-1 4.90e-1
## 5 Diphteria Oceania 4 8 e-2 0 1 0 2.74e-1 7.51e-2
## 6 Hepatitis B Africa 107978 1.30e+3 4 7771 0 2.39e+3 5.72e+6
## 7 Hepatitis B Asia 96626 2.22e+2 32 2262 0 3.86e+2 1.49e+5
## 8 Hepatitis B Americas 38283 6.33e+1 7 942 0 1.60e+2 2.57e+4
## 9 Hepatitis B Europe 36257 4.92e+1 10 1948 0 1.28e+2 1.63e+4
## 10 Hepatitis B Oceania 832 1.66e+1 12 55 1 1.34e+1 1.80e+2
## # ℹ 35 more rows
Por país
# Mortes cumulativas
# Estatísticas de cada país
paises_mortes = mortes_doencas %>%
drop_na(total_deaths,
name) %>%
filter(between(year, 2000, 2023)) %>%
group_by(death_disease, name) %>%
summarise(
cumulativo = sum(total_deaths),
mean = mean(total_deaths),
median = median(total_deaths),
max = max(total_deaths),
min = min(total_deaths),
sd = sd(total_deaths),
var = var(total_deaths)
) %>%
arrange(death_disease, desc(cumulativo)) %>%
ungroup()
## `summarise()` has grouped output by 'death_disease'. You can override using the
## `.groups` argument.
paises_mortes
## # A tibble: 963 × 9
## death_disease name cumulativo mean median max min sd var
## <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Diphteria Philippines 325 21.7 23 31 7 6.49 42.1
## 2 Diphteria Russian Fed… 253 12.6 1 56 0 18.1 327.
## 3 Diphteria Thailand 121 6.37 6 13 2 3.00 9.02
## 4 Diphteria Brazil 84 4 4 11 0 3.11 9.7
## 5 Diphteria Iraq 47 15.7 13 23 11 6.43 41.3
## 6 Diphteria Latvia 43 1.95 1 11 0 2.97 8.81
## 7 Diphteria Dominican R… 38 2 1 9 0 2.71 7.33
## 8 Diphteria Syrian Arab… 29 2.64 3 5 0 1.69 2.85
## 9 Diphteria Venezuela (… 24 1.41 0 24 0 5.82 33.9
## 10 Diphteria South Africa 23 1.21 1 3 0 0.976 0.953
## # ℹ 953 more rows
Por continente
#Gráfico de pontos simples
continentes_pontos_vac = continentes_vac %>% #Dataframe
filter(vaccine %in% "MCV1") %>%
mutate(continent = fct_reorder(continent, median)) %>%
#Chamando a função. Aqui se usa "+" em vez de "%>%"
ggplot() +
#Mapeando os eixos
aes(x = median,
y = continent,
color = continent) +
#Geometrias
geom_point() +
#Labels nos pontos
geom_label(aes(x = median,
y = continent,
label = median)) +
#Tema
theme_light() +
#Títulos
labs(title = "Cobertura vacinal",
x = "Mediana (Cobertura vacinal %)",
y = "Continentes")
continentes_pontos_vac
Por país
#Gráfico de pontos simples
pontos = latin_2000_2023 %>% #Dataframe
filter(vaccine %in% "MCV1") %>%
mutate(name = fct_reorder(name, median)) %>%
ggplot() + #Chamando a função. Aqui se usa "+" em vez de "%>%"
#Mapeando os eixos
aes(x = median,
y = name,
color = median) +
#Geometrias
geom_point() +
geom_text(aes(x = median, #Use geom_label para visualizar melhor
y = name,
label = median),
hjust = -0.5) +
#Tema
theme_light() +
#Labels
labs(title = "Cobertura vacinal",
x = "Mediana (Cobertura vacinal%)",
y = "Países") +
#Limites
xlim(60, 105)
pontos
Por continente
#Gráfico de barras simples
continente_barras_vac = continentes_vac %>% #Dataframe
filter(vaccine %in% "MCV1") %>%
mutate(continent = fct_reorder(continent, median)) %>%
ggplot() + #Chamando a função. Aqui se usa "+" em vez de "%>%"
#Mapeando os eixos
aes(x = median,
y = continent,
fill = continent) +
#Geometrias
geom_col() +
geom_text(aes(x = median,
y = continent,
label = median),
hjust = -0.5) +
#Tema
theme_light() +
#Labels
labs(title = "Cobertura vacinal",
x = "Mediana (Cobertura vacinal %)",
y = "Continentes",
fill = "Continente") +
#Limites
xlim(0, 105)
continente_barras_vac
Por país
#Gráfico de barras simples
pais_barras_vac = latin_2000_2023 %>% #Dataframe
filter(vaccine %in% "MCV1") %>%
mutate(name = fct_reorder(name, median)) %>%
ggplot() + #Chamando a função. Aqui se usa "+" em vez de "%>%"
#Mapeando os eixos
aes(x = median,
y = name,
fill = median) +
#Geometrias
geom_col() +
geom_text(aes(x = median,
y = name,
label = median),
hjust = -0.5,
size = 2.5) +
#Tema
theme_light() +
#Labels
labs(title = "Cobertura vacinal contra o sarampo",
subtitle = "Países, entre 2000 e 2023",
x = "Mediana (Cobertura vacinal%)",
y = "Países",
fill = "Mediana") +
xlim(0, 105)
pais_barras_vac
Por continente
#Gráfico de pontos simples
barras_mortes = continentes_mortes %>% #Dataframe
filter(death_disease == "Measles") %>%
mutate(cobertura_vacinal = fct_reorder(continent, cumulativo)) %>%
ggplot() + #Chamando a função. Aqui se usa "+" em vez de "%>%"
#Mapeando os eixos
aes(x = cumulativo,
y = cobertura_vacinal,
fill = cobertura_vacinal) +
#Geometrias
geom_col() +
geom_label(aes(x = cumulativo,
y = cobertura_vacinal,
label = cumulativo),
hjust = -0.2) +
#Tema
theme_light() +
#Labels
labs(title = "Mortes cumulativas por Sarampo, de 2000 a 2023",
x = "Mortes",
y = "Continentes") +
#Eixo x
xlim(0, 10000) #Aumentar limites
barras_mortes
De acordo com o gráfico, o continente asiático contribuiu para 84% das mortes por sarampo, em 23 anos. Mas, a doença foi endêmica no continente todo ou somente em alguns países?
#Gráfico de barras simples
paises_barras_mortes = paises_mortes %>% #Dataframe
filter(death_disease == "Measles") %>%
mutate(name = fct_reorder(name, cumulativo)) %>%
slice_max(order_by = cumulativo, n = 10) %>%
ggplot() + #Chamando a função. Aqui se usa "+" em vez de "%>%"
#Mapeando os eixos
aes(x = cumulativo,
y = name,
fill = name) +
#Geometrias
geom_col() +
geom_label(aes(x = cumulativo,
y = name,
label = cumulativo),
hjust = -0.2) +
#Tema
theme_light() +
#Labels
labs(title = "Mortes cumulativas por Sarampo, de 2000 a 2023",
x = "Mortes",
y = "Países") +
#Eixo x
xlim(0, 10000) #Aumentar limites
paises_barras_mortes
As Filipinas foi o país que mais contribuiu para 80% das mortes no mundo todo. Na Ásia, o Japão, Mongólia e Tailândia também registraram muitas mortes pela doença, o que poderia indicar que a doença se espalhou entre esses países ou isso ocorreu em tempos diferentes. Interessante, não? Para explorar mais, considere os gráficos que faremos a seguir com outros exemplos.
#Visualização rápida
# latin_2000_2023 %>%
# esquisser()
Chegamos a um gráfico interessante. Por isso, copiamos e colamos o código aqui, para permitir que façamos outras modificações no gráfico.
Nele, queremos filtrar a cobertura vacinal contra o sarampo nos
países da américa latina e identificar aqueles países que apresentem
cobertura vacinal maior ou igual a 95%. Caso o país tenha cobertura
menor, ele será marcado de vermelho. Para isso, usamos o
gghighlight()
# Melhorando o gráfico -----
plot =
# Manipular tabela
latin_2000_2023 %>%
filter(vaccine %in% "MCV1") %>%
mutate(name = fct_reorder(name, median)) %>%
#Criar base do gráfico
ggplot() +
aes(x = median, y = name, colour = median) + #Aesthetics (mapping)
#Geometria
geom_point(shape = "circle",
size = 1) +
#Highlight (add sempre após geom_)
gghighlight(median >= 95, #Filtragem
label_key = name, #Nome do label
label_params = list(size = 3), #Tamanho da fonte
unhighlighted_params = list(colour = "red")) +
#Marcações
#Add Linha vertical
geom_vline(xintercept = 95,
colour = "black",
linewidth =0.2,
linetype = 2) +
#Tema, aparência
theme_light() +
# Labels, titulo, subtitulo, titulo dos eixos
labs(title = "Vacinação em países da América Latina",
subtitle = "Sarampo, MCV1, Dose 1, entre 2000 e 2023",
y = "Países",
x = "Mediana (Cobertura %)",
tag = "Figure A.",
colour = "Cobertura vacinal",
caption = "Fonte: Feito pela UPVacina") +
# Aparência especifica
theme(
#Texto geral
text = element_text(family = "sans", #sans, mono, serif
color = "black"),
#Título, subtítulo e tag
plot.title = element_text(size = 12,
face = "bold",
hjust = 0,
vjust = 0.5),
plot.subtitle = element_text(size = 10),
plot.tag.position = "topleft",
plot.tag = element_text(vjust = 5,
size = 12,
face = "bold"),
#Legenda
legend.title = element_text(face = "bold"),
legend.text = element_text(size = 10),
#Eixos
axis.title.x = element_text(size = 10,
angle = 0,
color = "black"),
axis.text.x = element_text(color = "black",
size = 8,
angle = 0),
axis.text.y = element_text(size = 8,
color = "black"),
#Margens do gráfico
plot.margin = unit(c(0.5, #Top
1, #Right
0.5, #Bottom
0), #Left
"cm") #Unidade)
)
#Visualizar
plot
#Salvar
ggsave(plot, file = "Sarampo_LatinAmerica_2000_2023.png", width = 10, height = 5)
plot %>%
ggplotly()
#Unindo gráficos -----
vaccination = cobertura_vacinal %>%
filter(name == "Brazil",
vaccine == "MCV1") %>%
ggplot() +
geom_line(mapping = aes(
x = year,
y = coverage),
colour = "#4DBBD5B2",
linewidth = 2) +
geom_text(aes(x = year,
y = coverage,
label = coverage),
vjust = -0.5,
size = 2) +
theme_minimal() +
labs(title = "Cobertura vacinal contra o sarampo, Brasil",
x = "Ano",
y = "Cobertura vacinal (%)") +
ylim(0, 110)
vaccination
#Mortes
deaths = mortes_doencas %>%
filter(name == "Brazil",
death_disease == "Measles") %>%
ggplot() +
aes(x = year, y = total_deaths) +
geom_col(fill = "#DC0000B2") +
geom_text(aes(label = total_deaths),
vjust = -0.5,
size = 2) +
theme_minimal() +
theme(text = element_text(size = 10)) +
labs(title = "Mortes por sarampo, Brasil",
x = "Ano",
y = "Mortes") +
ylim(0, 3400)
deaths
#Unir gráficos
(vaccination / deaths)
(vaccination + deaths)
#Salvar
(vaccination / deaths) %>%
ggsave(file = "Sarampo_Brasil_1980_2023.png", width = 10, height = 5)
#Boxplot simples por ano
boxplot_years = cobertura_vacinal %>%
filter(type == "country",
vaccine == "MCV1",
year %in% c(1990, 2000, 2010, 2019)) %>%
ggplot() +
aes(x = "",
y = coverage,
fill = continent) +
geom_boxplot() +
scale_fill_brewer(palette = "Set2", direction = 1) +
theme_bw() +
theme(axis.text.x = element_text(angle = 45,
vjust = 1,
hjust = 1),
plot.margin = unit(c(1, 1, 1, 1), "cm"),
legend.position = "right") +
facet_wrap(vars(year), ncol = 4) +
labs(title = "Cobertura vacinal contra o sarampo",
subtitle = "Primeira dose (MCV1)",
x = "Continente",
y = "Cobertura vacinal (%)",
fill = "Continente")
#Visualizar
boxplot_years
# Cores
#Mudando a paleta
library(ggsci)
library(scales)
vignette("ggsci")
nrc = pal_npg("nrc", #Especificar paleta
alpha = 0.7)(8) #Gerar 8 cores com transparencia = 70%
nrc %>%
show_col()
boxplot_years +
scale_fill_npg()
#Boxplot simples de ano
boxplot_regions = cobertura_vacinal %>%
filter(type == "country",
vaccine == "MCV1",
year %in% c(1990, 2000, 2010, 2020)) %>%
mutate(year = as.factor(year)) %>%
ggplot() +
aes(x = year, y = coverage, fill = year) +
geom_boxplot(outlier.shape = NA) +
geom_jitter(aes(label = name),
alpha = 0.2,
na.rm = T) +
scale_fill_brewer(palette = "Set2", direction = 1) +
scale_color_distiller(palette = "Set2", direction = 1) +
theme_minimal() +
facet_wrap(vars(continent)) +
scale_fill_npg()
boxplot_regions
# Gráfico interativo
boxplot_regions %>%
ggplotly()
#Boxplot por vacina
cobertura_vacinal %>%
filter(type == "country",
year == 2015) %>%
ggplot() +
aes(x = "", y = coverage, fill = continent) +
geom_boxplot() +
scale_fill_viridis_d(option = "plasma", direction = 1) +
theme_minimal() +
facet_wrap(vars(vaccine)) +
labs(x = "Continentes",
y = "Cobertura",
titulo = "Cobertura vacinal por região, em 2000") +
scale_fill_npg()
# Múltiplos gráficos ----
#Todas as linhas
cobertura_vacinal %>%
filter(year >= 2012 & year <= 2022) %>%
filter(region %in% "LACR") %>%
ggplot() +
aes(x = year, y = coverage, color = name) +
geom_line() +
theme_minimal() +
facet_wrap(vars(vaccine), scales = "free_x")
#Fica muito poluído
#Highlight linhas específicas
#Método 1
br_cov = cobertura_vacinal %>%
filter(year >= 2012 & year <= 2022,
name %in% c("Brazil", "Colombia")) %>%
ggplot() +
aes(x = year,
y = coverage,
colour = name) +
geom_line(linewidth = 2) +
theme_minimal() +
facet_wrap(vars(vaccine)) +
labs(title = "Cobertura vacinal, por vacina",
x = "Ano",
y = "Cobertura (%)") +
scale_color_npg()
br_cov
A gghighlight() é uma função do pacote com o mesmo nome
que permite destacar linhas, pontos e colunas de interesse, sem
precisar filtrar antes, como fizemos acima. O interessante é
que, ao chamarmos a função aqui, podemos ainda ver as linhas dos outros
países, embora transparentes, para comparação.
#Método 2
br_cov = cobertura_vacinal %>%
filter(year >= 2012 & year <= 2022,
region %in% c("LACR")) %>%
ggplot() +
geom_line(aes(x = year,
y = coverage,
colour = name),
linewidth = 2) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 90)) +
facet_wrap(vars(vaccine)) +
labs(title = "Cobertura vacinal, por vacina",
x = "Ano",
y = "Cobertura (%)") +
gghighlight(name %in% c("Brazil", "Colombia"),
calculate_per_facet = T, #Add quando tiver facets. Caso seja um gráfico somente, use calculate_per_facet = F
unhighlighted_params = list(linewidth = 1, #Parametros para as outras linhas
colour = "gray90", #Cor cinza
alpha = 0.3)) + #Transparencia de 30%
scale_color_npg()
br_cov
#Mortes
br_mortes = mortes_doencas %>%
filter(year >= 2012 & year <= 2022,
region_complete == "Latin America and Caribbean") %>%
select(name, year, total_deaths, death_rate_100thousand, death_disease) %>%
distinct() %>%
drop_na(total_deaths) %>%
ggplot() +
geom_line(aes(x = round(year, 0),
y = total_deaths,
colour = name),
linewidth = 2) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 90))+
facet_wrap(vars(death_disease),
scales = "free",
nrow = 3) +
labs(title = "Mortes por doença imunoprevenível",
x = "Ano",
y = "Mortes") +
#highlight
gghighlight(name %in% c("Brazil", "Colombia"), #Linhas somente com name == "Brazil'
calculate_per_facet = T, #Add quando tiver facets
unhighlighted_params = list(linewidth = 1, #Opções para linhas não marcadas
colour = "gray90",
alpha = 0.5)) +
scale_color_npg()
## Warning: Tried to calculate with group_by(), but the calculation failed.
## Falling back to ungrouped filter operation...
## label_key: name
br_mortes
Estes dados são interessantes, porque não há casos e mortes registradas por polio no Brasil e nas Américas desde 1989, quando a doença foi eliminada no continente. Além disso, não há registro algum nos sites da OMS e da UNICEF que citem esses números, além da base de dados original (WHO Mortality database). Provavelmente, é um erro de registro. Essa observação é interessante para ficarmos atentos à qualidade e coerência dos dados. Por isso, vamos retirar os dados de mortes por polio.
#Mortes
br_mortes = mortes_doencas %>%
filter(year >= 2012 & year <= 2022,
region_complete == "Latin America and Caribbean",
death_disease != "Poliomyelitis") %>%
select(name, year, total_deaths, death_rate_100thousand, death_disease) %>%
distinct() %>%
drop_na(total_deaths) %>%
ggplot() +
geom_line(aes(x = round(year, 0),
y = total_deaths,
colour = name),
linewidth = 2) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 90))+
facet_wrap(vars(death_disease),
scales = "free",
nrow = 3) +
labs(title = "Mortes por doença imunoprevenível",
x = "Ano",
y = "Mortes") +
#highlight
gghighlight(name %in% c("Brazil", "Colombia"), #Linhas somente com name == "Brazil'
calculate_per_facet = T, #Add quando tiver facets
unhighlighted_params = list(linewidth = 1, #Opções para linhas não marcadas
colour = "gray90",
alpha = 0.5)) +
scale_color_npg()
## Warning: Tried to calculate with group_by(), but the calculation failed.
## Falling back to ungrouped filter operation...
## label_key: name
br_mortes
E vamos unir esses gráficos
# Unir gráficos
patch = br_cov + br_mortes
patch
#Salvar
ggsave(patch,
file = "br_cov_mortes.png",
width = 15, #Largura
height = 10) #Altura
Faça gráficos analisando continentes, países, doenças e vacinas
diferentes. Para isso, é só trocar os nomes nas funções dos gráficos.
Por exemplo, onde estiver “Brazil”, coloque
“Canada” ou “India”, etc. Da mesma forma, onde
estiver o nome de uma vacina ou doença, troque pelos temas do seu
interesse. Para selecionar os países, não há critério definido, então
você poderá ir pela sua curiosidade ou por meio dos gráficos já
apresentados, como o boxplot interativo.
Recomendações
Ao fazer a parte prática com suas análises, faça no mesmo documento. Se estiver muito complicado, mande mensagem no grupo do Whatsapp ou envie um e-mail. A prática deve ser fácil e descomplicada.
Lembre-se de criar blocos de códigos abaixo dos blocos de códigos de exemplos do tutorial. Também, descreva os gráficos e códigos no espaço em branco, ou seja, fora do bloco de código. Isso garantirá que seu documento estará organizado e fácil de alterar.
Por exemplo:
#Código exemplo
#...
“Meu código… Gráfico do tipo A dos países XYZ.”
#Seu código
#...
Alguns exemplos de perguntas que você pode se fazer:
Quem:
Quais são os países que menos vacinaram em cada continente?
Quais são os países que mais vacinaram em cada continente?
Quais são os países que mais tiveram mortes por uma doença X? A difteria aparentemente teve um surto em algum país latinoamericano a partir de 2016. Qual é este país e por que isso ocorreu? Será que é a baixa cobertura vacinal?
Quando:
Será que a cobertura vacinal ou o número de mortes sempre foi assim (alto ou baixo) ou é algo recente dos últimos 5 a 10 anos?
Será que a pandemia afetou a vacinação contra outras doenças?
Ou a cobertura vacinal já estava caindo antes mesmo da pandemia?
Comparações:
group_by() e summarize()).Alguns conselhos:
Explore e leia os códigos do tutorial atentamente. Tente entender o que cada linha de código faz.
Pense quais variáveis você quer analisar:
É uma variável numérica ou categórica?
O gráfico que você quer analisar combina duas variáveis numéricas (anos e cobertura vacinal) ou uma variável categórica (países) e outra numérica (cobertura vacinal)?
A variável numérica é temporal? Por exemplo, você vai usar uma série temporal (2010, 2011, 2012…) ou somente a média de um período (2010 a 2020)?
Caso use todos os anos em uma série temporal, recomendo usar um gráfico de linhas, onde o eixo x representa os anos e o eixo y, a cobertura vacinal ou numero de mortes.
Agora, caso analise as médias ou medianas de um período, um gráfico de colunas é recomendado, onde o eixo x é um ano e o y, o número de mortes ou cobertura vacinal.
Para entender melhor os tipos de gráficos que você pode utilizar, entre no Data to viz. Ele te guiará como seguir a partir das variáveis que você está trabalhando.
Caso queira gerar outros tipos de gráficos, use diferentes geometrias e consulte o (R graph gallery)[https://r-graph-gallery.com/].
Use o esquisse sempre para facilitar as análises iniciais. Os códigos podem ser complicados à primeira vista, mas o esquisse está aí para auxiliar nesse primeiro contato.
Use o ChatGPT. O ChatGPT é uma ferramenta extremamente útil para a sua evolução na programação e você precisa aprender a usá-lo e a fazer perguntas corretas. 80% das vezes ele dá respostas perfeitas. Você pode usá-lo para explicar, consertar e criar códigos!
Copie e cole um bloco de código e peça para ele explicar cada linha e função.
Deu algum erro no código? Manda pra ele também o código e o erro que aparece no console.
Quer fazer algo específico e pontual no código? Manda pro ChatGPT!
Envie suas dúvidas no grupo de Whatsapp. Caso seja necessário, marque uma monitoria gratuita comigo.
Em um conjunto de dados que registra a cobertura vacinal ao longo do tempo para diferentes países, é comum encontrar registros ausentes (e NAs) para determinados países em determinados anos. Isso pode ser devido a vários motivos, como a introdução tardia de determinadas vacinas em alguns países ou a falta de disponibilidade de dados.
Para investigar se há algum padrão na frequência de países que registram a cobertura vacinal ao longo dos anos, podemos criar um gráfico que represente essa frequência. Uma abordagem interessante é agrupar os países por região da OMS e observar se há um aumento na quantidade de países que começaram a registrar a cobertura vacinal ao longo do tempo.
É importante ressaltar que estamos avaliando a frequência de países que registram a cobertura vacinal por ano e não a qualidade da cobertura vacinal em si.
Quantos países por região da OMS registraram os dados na UNICEF?
Observa-se que algumas vacinas, como BCG, DTP1, DTP3, POL3 e MCV1, já apresentam registros desde o ano de 1980, com a participação de muitos países. Isso ocorre devido ao fato de que essas vacinas já faziam parte do calendário de imunização de diversos países. No entanto, é importante ressaltar que nem todos os países podem ter reportado sua cobertura vacinal à OMS nesse período, ou até mesmo podem não ter implementado a vacinação.
Por outro lado, algumas vacinas, como IPV1 e MCV2, começaram a ser registradas após o ano 2000, mas já contam com a participação de muitos países nos registros. Isso se deve ao fato de que essas vacinas estavam disponíveis muito antes do início dos registros, evidenciando sua ampla adoção em diferentes países.
Além disso, é possível observar que algumas vacinas começaram a ser registradas de forma gradual ao longo do tempo, como HEPBB, HEPB3, PCV3, HIB3 e ROTAC. Esse padrão faz sentido, uma vez que essas vacinas foram desenvolvidas mais recentemente em comparação com as mencionadas anteriormente.
Um caso interessante é o da vacina contra febre amarela (YFV), que existe desde a década de 1930. Surpreendentemente, sua cobertura vacinal apresenta um comportamento semelhante ao das vacinas introduzidas mais recentemente. Além disso, é importante observar que nem todas as regiões registram essa vacina, sendo mais concentrada em áreas tropicais onde a doença é endêmica.
Essas observações mostram a complexidade e a heterogeneidade na implementação e registro da cobertura vacinal em diferentes regiões e ao longo do tempo. Ainda, refletem as diferentes políticas de saúde pública e condições epidemiológicas em todo o mundo.
#Quantos países por continente registraram os dados na UNICEF?
#Todos os continentes juntos
cobertura_vacinal %>%
filter(type == "country") %>%
select(coverage, year, continent, vaccine) %>%
mutate(continent = fct_reorder(continent, coverage)) %>%
drop_na(coverage) %>%
ggplot() +
aes(x = year, fill = continent) +
geom_histogram(bins = 43L) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 90, vjust = 0.5))+
facet_wrap(~vaccine, scale= "free_y") +
labs(title = "Cobertura vacinal por Continente",
subtitle = "Diferentes vacinas",
x = "Anos",
y = "",
fill = "Continente") +
scale_fill_npg()
Qualidade da cobertura vacinal: Os países aumentaram sua cobertura vacinal ao longo das décadas?
Para visualizar a distribuição de dados em diferentes grupos, como regiões, podemos recorrer a um tipo de gráfico conhecido como ridgeline. Esses gráficos apresentam curvas de densidade sobrepostas, o que permite uma comparação direta entre as distribuições de cada grupo. Por exemplo, ao analisar a cobertura vacinal em diferentes regiões, podemos observar se os países convergem para um valor específico ou se apresentam variações significativas.
#Pacote para o gráfico de ridgelines
library(ggridges)
cobertura_vacinal %>%
filter(type == "country",
year %in% c(1990,2000, 2010, 2020),
diseases == "Measles") %>%
mutate(continent = fct_rev(continent)) %>%
ggplot() +
aes(x = coverage, y = continent, fill = fct_rev(continent)) +
geom_density_ridges() +
theme_few()+
theme(plot.caption = element_text(size = 13L),
legend.position = "none",
axis.text.x = element_text(angle = 90),
strip.text.y = element_text(angle = 0,
hjust = 0)) +
facet_grid(~vaccine~year, scales = "free_y") +
labs(title = "Cobertura vacinal por Região da OMS",
subtitle = "Vacinas contra sarampo",
x = "Cobertura (%)",
y = "",
fill = "Região da OMS") +
scale_fill_npg()
Quando todos os países de uma região têm valores semelhantes, a curva de densidade apresenta um único pico agudo. Nesse caso, esse pico representa a moda,a mediana e a média da distribuição, que são medidas de centralidade. A moda é o valor mais frequente. Além disso, também identificamos a mediana, que corresponde ao valor do meio quando os dados estão ordenados, e a média, que é calculada somando todos os valores e dividindo pelo número total de observações.
No entanto, quando os países dentro de uma região apresentam coberturas vacinais diferentes, a curva de densidade tende a se achatar, indicando uma distribuição mais dispersa, e as medidas de centralidade não têm o mesmo valor.
Em alguns casos, é possível observar dois ou mais picos distintos, o que caracteriza uma distribuição bimodal ou multimodal, dependendo do número de picos identificados. Isso é importante para identificar padrões em diferentes grupos ou categorias. Observe também que a cobertura vacinal para a maioria dos países aumentou ao longo das décadas, convergindo para 90 a 100%.
Todavia, uma curva é uma suavização dessas
frequências em um intervalo de valores. Usando um
histograma, que nada mais é do que um gráfico de
barras, podemos ver melhor essas nuances. Observe que o que foi
modificado no código foram os argumentos usados na função
geom_density_ridges(), com stat = "binline" e
o número de bins. As bins são as discretizações de uma
variável contínua, como a cobertura vacinal. Ou seja, dividimos o
intervalo de 0-100% em 20. Se aumentarmos essas bins para 100, o gráfico
ficará mais detalhado, mas menos informativo, mas o contrário também
será verdade.
Altere os valores e veja os resultados.
#Qual a cobertura vacinal nos anos 1990 e 2019 para vacinas contra o sarampo?
cobertura_vacinal %>%
filter(type == "country",
year %in% c(2000, 2010, 2020),
diseases == "Measles") %>%
mutate(continent = fct_rev(continent)) %>%
ggplot() +
aes(x = coverage, y = continent, fill = fct_rev(continent)) +
geom_density_ridges(stat = "binline", bins = 20) +
theme_few()+
theme(plot.caption = element_text(size = 13L),
legend.position = "none",
axis.text.x = element_text(angle = 90),
strip.text.y = element_text(angle = 0,
hjust = 0)) +
facet_grid(~vaccine~year, scales = "free") +
labs(title = "Cobertura vacinal por Região da OMS",
subtitle = "Vacinas contra sarampo",
x = "Cobertura (%)",
y = "",
fill = "Região da OMS") +
scale_fill_npg()
O gapminder é um site e um pacote que apresenta diferentes dados sobre países ao longo dos anos. O pacote do R traz uma tabela dos anos 50 até 2007, com dados sobre expectativa de vida, PIB percapita e tamanho da população. Vamos ver se a cobertura vacinal tem alguma relação com a expectativa de vida nos países.
#Manipulação
gapminder_vac = gapminder %>%
left_join(cobertura_vacinal %>% rename(country = name) %>% select(-continent),
by = join_by(country, year))
#Plot
gapminder_vac %>%
filter(vaccine == "BCG") %>%
ggplot() +
aes(
x = coverage,
y = lifeExp,
) +
geom_point(aes(colour = continent,
size = pop),
shape = "circle") +
facet_wrap(~year)+
theme_minimal() +
labs(title = "Cobertura vacinal e Expectativa de vida",
subtitle = "Vacina BCG",
x = "Cobertura vacinal (%)",
y = "Expecativa de vida (anos)",
color = "Região",
shape = "População") +
scale_color_npg()
Aparentemente, quando a cobertura vacinal para a BCG aumenta, a expectativa de vida também aumenta, e isso ocorre ao longo dos anos. Além disso, veja que, principalmente entre 1982 e 1992, os países seguem um comportamento bem parecido com o de uma reta na diagonal.
Em estatística, se duas variáveis se relacionam gerando formatos lineares (retas) ou não lineares (curvas), dizemos que elas estão associadas. Mas, qual a direção e força dessa associação? Bem, neste caso, se as duas aumentam juntas, dizemos que há uma correlação positiva (>0). Mas, quão positiva ela é?
Neste caso, sabemos que elas parecem seguir uma reta, mas precisamos forçar um pouco, porque elas estão dispersas. Quanto mais os pontos se agrupam e menor é a dispersão, maior é a força dessa correlação. Além disso, por mais que os pontos pareçam se agrupar em uma reta, há diferentes formas de traçá-la, com angulos diferentes. A técnica que encontra a melhor reta em um gráfico de dispersão é chamada de regressão, que no caso é linear.
No gráfico abaixo, usamos as funções geom_smooth() do
ggplot2 e stat_correlation() do pacote ggpmisc
para fazer a regressão linear e apresentar o coeficiente de correlação R
(método de Pearson). Além disso, também calculamos o grau de dispersão
dos pontos em relação à reta. Quando o R2 está mais próximo
de 1, menor é a dispersão em torno da reta e melhor essa reta explica o
comportamento. Por exemplo, se o R for 1, a correlação é positiva e
forte, e se R2 for próximo de 1, podemos
predizer que, a partir de um valor na variável do eixo
X, o valor correspondente na variável do eixo Y será
predito com alto grau de confiança.
Em estatística e em machine learning, é comum atribuir nomes diferentes aos mesmos conceitos. Por exemplo, a variável no eixo X é denominada variável independente na estatística e preditor no contexto de machine learning. Já a variável no eixo Y é referida como variável dependente na estatística, enquanto no âmbito de machine learning, é denominada variável resposta ou outcome. Entender isso é importante porque, embora não exploraremos as técnicas e conceitos de machine learning, no presente curso, você pode se perder nesses diferentes contextos.
Observe que o maior valor de R foi de 0.61 e de R2, de 0.37. Somente de observar os gráficos, vemos que esses resultados corroboram com a dispersão dos países, com muitos nas extremidades dos gráficos. Neste caso, podemos dizer que, apesar de uma associação entre as variáveis, a correlação é positiva e com força intermediária. Além disso, a cobertura vacinal somente explica 37% da variação da expectativa de vida entre os países.
gapminder_vac %>%
filter(vaccine == "BCG") %>%
ggplot() +
aes(x = coverage,
y = lifeExp) +
geom_point(shape = "circle",
aes(colour = continent,
size = pop),
alpha = 0.2) +
geom_smooth(method = "lm",
color = "black",
se = F)+
stat_correlation(method = "pearson",
size = 3,
mapping = use_label(c("R", "R2"))) +
facet_wrap(~year)+
theme_minimal() +
labs(title = "Cobertura vacinal e Expectativa de vida",
subtitle = "Vacina BCG",
x = "Cobertura vacinal (%)",
y = "Expecativa de vida (anos)",
color = "Continente",
shape = "População") +
scale_color_npg()
Ao usarmos a regressão linear com todos os países, desconsideramos os agrupamentos dados pelas regiões da OMS. Afinal, cada região apresenta variabilidade entre seus países, e na média, uma região pode ter um comportamento diferente da outra. Neste caso, podemos já pensar em diversas perguntas que poderiam explicar esse comportamento regional, como aspectos geográficos, sociais e econômicos. Finalmente, podemos inferir isso fazendo uma regressão linear por região e por ano.
gapminder_vac %>%
filter(vaccine == "BCG") %>%
ggplot() +
aes(x = coverage,
y = lifeExp,
color = continent) +
geom_point(shape = "circle",
aes(colour = continent,
size = pop),
alpha = 0.2) +
geom_smooth(aes(group = continent,
color = continent),
method = "lm",
se = F)+
stat_correlation(method = "pearson",
size = 2,
mapping = use_label(c("R", "R2", "n"))) +
facet_wrap(~year)+
theme_minimal() +
labs(title = "Cobertura vacinal e Expectativa de vida",
subtitle = "Vacina BCG",
x = "Cobertura vacinal (%)",
y = "Expectaiva de vida (anos)",
color = "Continente",
shape = "População") +
scale_color_npg()
Observe que, ao discriminarmos a regressão por região, a correlação ficou mais forte e com menor dispersão em torno da reta. Em outras palavras, o preditor cobertura vacinal da BCG conseguiu explicar melhor a variável resposta expectativa de vida. Isso faz muito sentido, afinal a vacinação com a BCG é uma das principais estratégias para controlar a tuberculose, uma doença bacteriana muito associada às condições socioeconômicas da população. E podemos visualizar isso também plotando as mortes por tuberculose e o PIB percapita.
#Manipulação
gapminder_mortes = gapminder %>%
left_join(mortes_doencas %>% rename(country = name) %>% select(-continent),
by = join_by(country, year))
gapminder_mortes %>%
filter(year >= 1982,
year <= 2007) %>%
filter(death_disease == "Tuberculosis") %>%
ggplot() +
aes(x = gdpPercap,
y = death_rate_100thousand,
color = continent) +
geom_point(shape = "circle",
aes(colour = continent,
size = pop),
alpha = 0.2) +
facet_wrap(~year, scales = "free")+
scale_x_continuous(trans = "log10",
labels = scales::unit_format(unit = "k",
scale = 1e-3,
accuracy = 0.1)) +
theme_minimal() +
labs(title = "PIB per capita e Mortes por doenças imunopreveníveis",
subtitle = "Tuberculose",
x = "PIB per capita",
y = "Mortes por 100 mil habitantes",
color = "Continente",
shape = "População") +
scale_color_npg()
gapminder_mortes %>%
filter(year >= 1982,
year <= 2007) %>%
filter(death_disease == "Tuberculosis") %>%
ggplot() +
aes(x = gdpPercap,
y = death_rate_100thousand_age_standardized) +
geom_point(shape = "circle",
aes(colour = continent,
size = pop),
alpha = 0.2) +
scale_x_continuous(trans = "log10",
labels = scales::unit_format(unit = "k",
scale = 1e-3)) +
geom_smooth(method = "lm",
color = "black",
se = F) +
stat_correlation(method = "pearson",
size = 2.5,
mapping = use_label(c("R", "R2", "n"))) +
facet_wrap(~year, scales = "free") +
theme_minimal() +
labs(title = "PIB per capita e Mortes por doenças imunopreveníveis",
subtitle = "Tuberculose",
x = "PIB per capita",
y = "Mortes (%)",
color = "Continente",
shape = "População") +
scale_color_npg()
## `geom_smooth()` using formula = 'y ~ x'
gapminder_mortes %>%
filter(year >= 1982,
year <= 2007) %>%
filter(death_disease == "Tuberculosis") %>%
ggplot() +
aes(x = gdpPercap,
y = death_rate_100thousand_age_standardized,
color = continent) +
geom_point(shape = "circle",
aes(colour = continent,
size = pop),
alpha = 0.2) +
facet_grid(~year~continent) +
geom_smooth(aes(color = continent,
group = continent),
method = "lm",
se = F)+
stat_correlation(method = "pearson",
size = 2,
inherit.aes = T,
mapping = use_label(c("R", "R2", "n"))) +
scale_x_continuous(labels = scales::unit_format(unit = "k",
scale = 1e-3)) +
theme_minimal() +
labs(title = "PIB per capita e Mortes por doenças imunopreveníveis",
subtitle = "Tuberculose",
x = "PIB per capita",
y = "Mortes (%)",
color = "Continente",
shape = "População") +
scale_color_npg()
## `geom_smooth()` using formula = 'y ~ x'
## Warning: Computation failed in `sta_corr()`.
## Computation failed in `sta_corr()`.
## Computation failed in `sta_corr()`.
## Computation failed in `sta_corr()`.
## Computation failed in `sta_corr()`.
## Computation failed in `sta_corr()`.
## Computation failed in `sta_corr()`.
## Computation failed in `sta_corr()`.
## Caused by error in `cor.test.default()`:
## ! not enough finite observations
gapminder_mortes %>%
filter(year >= 1982,
year <= 2007) %>%
filter(death_disease == "Tuberculosis") %>%
group_by(year) %>%
arrange(desc(total_deaths)) %>%
slice_head(n = 10) %>%
ungroup()%>%
ggplot() +
aes(x = total_deaths, y = fct_reorder(country, total_deaths), fill = continent) +
geom_col() +
theme_minimal()+
theme(plot.caption = element_text(size = 13L),
legend.position = "none",
axis.text.x = element_text(angle = 90),
strip.text.y = element_text(angle = 0,
hjust = 0)) +
facet_wrap(~year, scales = "free") +
labs(title = "Mortes por 100 mil habitantes, por continente",
subtitle = "Tuberculose",
x = "Mortes por 100 mil habitantes",
y = "Continente",
color = "Continente") +
scale_fill_npg()
gapminder_mortes %>%
filter(year >= 1982,
year <= 2007) %>%
filter(death_disease == "Tuberculosis") %>%
ggplot() +
aes(x = death_rate_100thousand_age_standardized, y = continent, fill = fct_rev(continent)) +
geom_density_ridges() +
theme_few()+
theme(plot.caption = element_text(size = 13L),
legend.position = "none",
axis.text.x = element_text(angle = 90),
strip.text.y = element_text(angle = 0,
hjust = 0)) +
facet_wrap(~year, scales = "free") +
labs(title = "Mortes por 100 mil habitantes, por continente",
subtitle = "Tuberculose",
x = "Mortes por 100 mil habitantes",
y = "Continente",
color = "Continente") +
scale_fill_npg()
## Picking joint bandwidth of 2.31
## Picking joint bandwidth of 1.95
## Picking joint bandwidth of 1.05
## Picking joint bandwidth of 4.7
## Picking joint bandwidth of 8.98
## Picking joint bandwidth of 10.1